-
Batch Normalization 可以
改善梯度消失/爆炸问题
:前面层的梯度经过多次传递后会变得非常小(大),从而导致网络收敛速度慢(不收敛),应用 BN 可缓解加速网络收敛
:BN 使得每个神经元的输入分布更加稳定减少过拟合
:BN 可减少由于数据分布的变化导致的模型性能下降提高模型泛化能力
:BN 使得模型对输入的微小变化更加稳定缓解超参敏感
:对于 learning rate 等超参数敏感性降低- ...
-
Batch Normalization(BN):使 feature map 满足均值为 0,方差为 1 的分布规律
- 如果batch size为m,则在前向传播过程中,网络中每个节点都有m个输出,所谓的Batch Normalization,就是对该层每个节点的这m个输出进行归一化再输出
- 数学表达:每个 channel 下统计一个对应的均值和方差
x norm = x − E [ x ] V a r [ x ] + ϵ ∗ γ + β x_{\text{norm}} = \frac{x - \mathbb{E}[x]}{\sqrt{Var[x]+\epsilon}} * \gamma + \beta xnorm=Var[x]+ϵ x−E[x]∗γ+β- 其中 γ , β \gamma, \beta γ,β 为可学习的参数
-
代码实践:
python3>>> import torch >>> import torch.nn as nn >>> >>> x = torch.rand(2,1,28,28) ## *0.创建输入 x >>> bn = nn.BatchNorm2d( ## *1. 创建 bn 层, 1, # -- 输入的 channel 数 training = False, # -- 是否为训练模式 affine = False) # -- 是否学习 γ β >>> out = bn(x) ## *2 获取输出 >>> # 查看相关数值 ------------------------------------------------ >>> bn.running_mean # 均值 tensor([0.0507]) >>> bn.running_var # 方差 tensor([0.9080]) >>> bn.weight # γ Parameter containing: tensor([1.], requires_grad=True) >>> bn.bias # β Parameter containing: tensor([0.], requires_grad=True)
PyTorch -- Batch Normalization(BN) 快速实践
CODE_RabbitV2024-06-16 5:05
相关推荐
Ronin-Lotus7 分钟前
深度学习篇---剪裁&缩放cpsvps43 分钟前
3D芯片香港集成:技术突破与产业机遇全景分析国科安芯1 小时前
抗辐照芯片在低轨卫星星座CAN总线通讯及供电系统的应用探讨AKAMAI1 小时前
利用DataStream和TrafficPeak实现大数据可观察性Ai墨芯1112 小时前
深度学习水论文:特征提取无名工程师2 小时前
神经网络知识讨论nbsaas-boot2 小时前
AI时代,我们更需要自己的开发方式与平台SHIPKING3932 小时前
【机器学习&深度学习】LLamaFactory微调效果与vllm部署效果不一致如何解决jonyleek3 小时前
如何搭建一套安全的,企业级本地AI专属知识库系统?从安装系统到构建知识体系,全流程!MQ_SOFTWARE4 小时前
AI驱动的金融推理:Fin-R1模型如何重塑行业决策逻辑