-
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
光电的一只菜鸡6 分钟前
相机光学(二十五)——数字相机和模拟相机Czi.29 分钟前
Build a Large Language Model (From Scratch)附录E(gpt-4o翻译版)DS小龙哥30 分钟前
QT+OpenCV在Android上实现人脸实时检测与目标检测我爱学Python!40 分钟前
AI时代的产品经理的成长之路:可能是小宇宙最全的产品经理指南(中)Thetoicxdude1 小时前
迎接AI時代的新篇章:GPT-5 技術突破與未來展望聊聊网事1 小时前
【AI资讯】可以媲美GPT-SoVITS的低显存开源文本转语音模型Fish Speech2的n次方_1 小时前
迎接AI新时代:GPT-5即将登场的巨大变革与应用前瞻Czi.1 小时前
Build a Large Language Model (From Scratch)附录D(gpt-4o翻译版)xiandong201 小时前
240707_昇思学习打卡-Day19-基于MindSpore通过GPT实现情感分类Czi.1 小时前
Build a Large Language Model (From Scratch)附录A(gpt-4o翻译版)