批量归一化(Batch Normalization)原理与PyTorch实现

批量归一化(Batch Normalization)是加速深度神经网络训练的常用技术。本文通过Fashion-MNIST数据集,演示如何从零实现批量归一化,并对比PyTorch内置API的简洁实现方式。


1. 从零实现批量归一化

1.1 批量归一化函数实现

python 复制代码
import torch
from torch import nn
from d2l import torch as d2l

def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):
    if not torch.is_grad_enabled():
        # 预测模式下使用移动平均
        X_hat = (X - moving_mean) / torch.sqrt(moving_var + eps)
    else:
        assert len(X.shape) in (2, 4)
        if len(X.shape) == 2:
            # 全连接层:特征维计算均值和方差
            mean = X.mean(dim=0)
            var = ((X - mean) ** 2).mean(dim=0)
        else:
            # 卷积层:通道维计算均值和方差
            mean = X.mean(dim=(0, 2, 3), keepdim=True)
            var = ((X - mean) ** 2).mean(dim=(0, 2, 3), keepdim=True)
        # 训练模式下更新移动平均
        X_hat = (X - mean) / torch.sqrt(var + eps)
        moving_mean = momentum * moving_mean + (1.0 - momentum) * mean
        moving_var = momentum * moving_var + (1.0 - momentum) * var
    Y = gamma * X_hat + beta  # 缩放和平移
    return Y, moving_mean.data, moving_var.data

1.2 批量归一化层类

python 复制代码
class BatchNorm(nn.Module):
    def __init__(self, num_features, num_dims):
        super().__init__()
        if num_dims == 2:
            shape = (1, num_features)
        else:
            shape = (1, num_features, 1, 1)
        self.gamma = nn.Parameter(torch.ones(shape))
        self.beta = nn.Parameter(torch.zeros(shape))
        self.moving_mean = torch.zeros(shape)
        self.moving_var = torch.ones(shape)

    def forward(self, X):
        if self.moving_mean.device != X.device:
            self.moving_mean = self.moving_mean.to(X.device)
            self.moving_var = self.moving_var.to(X.device)
        Y, self.moving_mean, self.moving_var = batch_norm(
            X, self.gamma, self.beta, self.moving_mean,
            self.moving_var, eps=1e-5, momentum=0.9)
        return Y

1.3 构建含批量归一化的网络

python 复制代码
net = nn.Sequential(
    nn.Conv2d(1, 6, kernel_size=5), BatchNorm(6, num_dims=4), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Conv2d(6, 16, kernel_size=5), BatchNorm(16, num_dims=4), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),
    nn.Linear(16*4*4, 120), BatchNorm(120, num_dims=2), nn.Sigmoid(),
    nn.Linear(120, 84), BatchNorm(84, num_dims=2), nn.Sigmoid(),
    nn.Linear(84, 10))

1.4 训练与结果

python 复制代码
lr, num_epochs, batch_size = 1.0, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出结果

bash 复制代码
loss 0.277, train acc 0.898, test acc 0.835
28009.9 examples/sec on cuda:0

训练曲线

2. 使用PyTorch内置批量归一化

2.1 简洁实现网络结构

python 复制代码
net = nn.Sequential(
    nn.Conv2d(1, 6, kernel_size=5),
    nn.BatchNorm2d(6),
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Conv2d(6, 16, kernel_size=5),
    nn.BatchNorm2d(16),
    nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Flatten(),
    nn.Linear(256, 120),
    nn.BatchNorm1d(120),
    nn.Sigmoid(),
    nn.Linear(120, 84),
    nn.BatchNorm1d(84),
    nn.Sigmoid(),
    nn.Linear(84, 10))

2.2 训练与结果对比

python 复制代码
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出结果

bash 复制代码
loss 0.264, train acc 0.902, test acc 0.849
44608.4 examples/sec on cuda:0

训练曲线

3. 关键参数分析

查看第一个批量归一化层的缩放(gamma)和偏移(beta)参数:

python 复制代码
print(net[1].gamma.reshape((-1,)), 
print(net[1].beta.reshape((-1,)))

输出

bash 复制代码
(tensor([0.3957, 2.2124, 2.8581, 2.1908, 3.6253, 3.5650], device='cuda:0', grad_fn=<ReshapeAliasBackward0>),
tensor([ 0.1832, -2.5689, -3.2450, -0.7221, 1.1290, 2.2353], device='cuda:0', grad_fn=<ReshapeAliasBackward0>))

4. 结论

  1. 性能对比:PyTorch内置实现相比手动实现,测试准确率从83.5%提升到84.9%,且训练速度更快(44k样本/秒 vs 28k样本/秒)

  2. 实现差异:内置API自动处理设备迁移和参数初始化,代码更简洁

  3. 注意事项 :全连接层使用nn.BatchNorm1d,卷积层使用nn.BatchNorm2d

完整代码已通过测试,可直接复现实验结果。批量归一化能有效加速收敛并提升模型泛化能力,是深度网络设计的必备组件。


提示 :运行代码需要安装d2l库(pip install d2l)并支持GPU环境。

相关推荐
万岳科技程序员小金1 小时前
餐饮、跑腿、零售多场景下的同城外卖系统源码扩展方案
人工智能·小程序·软件开发·app开发·同城外卖系统源码·外卖小程序·外卖app开发
桐果云1 小时前
解锁桐果云零代码数据平台能力矩阵——赋能零售行业数字化转型新动能
大数据·人工智能·矩阵·数据挖掘·数据分析·零售
二向箔reverse3 小时前
深度学习中的学习率优化策略详解
人工智能·深度学习·学习
幂简集成3 小时前
基于 GPT-OSS 的在线编程课 AI 助教追问式对话 API 开发全记录
人工智能·gpt·gpt-oss
AI浩3 小时前
【面试题】介绍一下BERT和GPT的训练方式区别?
人工智能·gpt·bert
Ronin-Lotus3 小时前
深度学习篇---SENet网络结构
人工智能·深度学习
n12352354 小时前
AI IDE+AI 辅助编程,真能让程序员 “告别 996” 吗?
ide·人工智能
漠缠4 小时前
Android AI客户端开发(语音与大模型部署)面试题大全
android·人工智能
连合机器人4 小时前
当有鹿机器人读懂城市呼吸的韵律——具身智能如何重构户外清洁生态
人工智能·ai·设备租赁·连合直租·智能清洁专家·有鹿巡扫机器人
良策金宝AI4 小时前
当电力设计遇上AI:良策金宝AI如何重构行业效率边界?
人工智能·光伏·电力工程