在TensorFlow中的批量归一化

Question

在TensorFlow中的批量归一化

tensorflowrecurrent-neural-network

5

我注意到TensorFlow的API中已经有了批量归一化函数。但是，有一件事我不明白，就是如何在训练和测试之间改变过程？

批量归一化在测试和训练期间表现不同。具体来说，在训练期间使用固定的均值和方差。

是否有一些好的示例代码可以参考？我看到了一些，但是由于作用域变量，它们变得令人困惑。

- user3358117

考虑使用高级API（例如tf.contrib.layers）中预定义的层。 - danijar

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- keveman · Accepted Answer

您说得对，tf.nn.batch_normalization仅提供了实现批量归一化的基本功能。在训练过程中，您需要添加额外的逻辑来跟踪移动平均值和方差，并在推理时使用训练好的均值和方差。您可以查看这个示例进行一个非常通用的实现，但是一个不使用gamma的快速版本如下:

  beta = tf.Variable(tf.zeros(shape), name='beta')
  moving_mean = tf.Variable(tf.zeros(shape), name='moving_mean',
                                 trainable=False)
  moving_variance = tf.Variable(tf.ones(shape),
                                     name='moving_variance',
                                     trainable=False)
  control_inputs = []
  if is_training:
    mean, variance = tf.nn.moments(image, [0, 1, 2])
    update_moving_mean = moving_averages.assign_moving_average(
        moving_mean, mean, self.decay)
    update_moving_variance = moving_averages.assign_moving_average(
        moving_variance, variance, self.decay)
    control_inputs = [update_moving_mean, update_moving_variance]
  else:
    mean = moving_mean
    variance = moving_variance
  with tf.control_dependencies(control_inputs):
    return tf.nn.batch_normalization(
        image, mean=mean, variance=variance, offset=beta,
        scale=None, variance_epsilon=0.001)