网站开发程序的移交,湖南省军区强军网网站群建设项目,有哪些网站建设工作,网站建设需要投资多少批归一化层-BN层#xff08;Batch Normalization#xff09;
作用及影响#xff1a;
直接作用#xff1a;对输入BN层的张量进行数值归一化#xff0c;使其成为均值为零#xff0c;方差为一的张量。 带来影响#xff1a; 1.使得网络更加稳定#xff0c;结果不容易受到…批归一化层-BN层Batch Normalization
作用及影响
直接作用对输入BN层的张量进行数值归一化使其成为均值为零方差为一的张量。 带来影响 1.使得网络更加稳定结果不容易受到一些超参数的影响。 2.对于深层网络减少梯度消失或爆炸的可能。 3.使网络每一层输出结果稳定进而加快了模型训练的速度。
算法思想 例如 输入x(i) [1, 2, 3, 4, 5]平均值μ 3(全局平均值) 方差σ 2(全局方差) 计算公式x(i) (x(i) - μ)/σ →x(i) [-1, -0.5, 0, 0.5, 1] (得到的是第i行x结果) 再用x(i)×W(权重)b(偏差值→y(i) 得到的是第i行y结果 最后输出y
Pytorch框架中的代码实现
默认权重初始值且不考虑偏差值b
import torch
import torch.nn as nn
import numpy as np
基于pytorch的网络编写
测试BN层
权重w为默认初始化
偏差值b0xtorch.randn(2,10)
#x为随机输入。第一维是batch_size,第二维是输入维度这个输入就相当于2个10维向量的矩阵
bn torch.nn.BatchNorm1d(10)
#定义bn层参数要与输入的维度一致这个维度与batch_size是无关的
print(bn.state_dict())
print(bn(x))自定义框架中的代码实现受到一位兄弟的启迪
#weight torch.randn(bn.state_dict()[weight].shape)
#由于默认的bn初始化weight参数都为1所以容易看不出最后scale的作用这里随机生成一个新的权重代替初始权重
#去掉这两行当然也应当获得一致的结果这里相当于增加一点难度
weight bn.state_dict()[weight]
bn.weight torch.nn.Parameter(weight)
#原始的初始化权重是[1,1,1,1...]为了方便对比我们这里还是继承初始化权重如果需要自己设置权重可参考前面3行注释
#取出参数
w bn.state_dict()[weight].numpy()
b bn.state_dict()[bias].numpy()
#将输入转成numpy数组
x x.numpy()
#计算均值注意是沿batch_size的维度进行均值计算
p np.mean(x, axis0)
#按照公式计算var
v np.mean(np.square(x - p), axis0)
#按照公式计算这里e1e-5是为了防止分母为零查看torch源码可以找到torch中的e也等于1e-5
x (x - p) / np.sqrt(v 1e-5)
#最后的scale线性运算
y w * x b #偏差值b0
print(y, 自定义bn输出)输出结果对比 在tensor中会四舍五入保留四位小数通过对比也可以发现结果是一样的。
