首页 > 其他分享 >批量归一化(李沐老师课程)

批量归一化(李沐老师课程)

时间:2024-09-12 14:49:03浏览次数:15  
标签:批量 nn self var moving 归一化 李沐 mean

训练时候存在的问题

为什么要做批量归一化

批量归一化(Batch Normalization, BN)是一种用于加速深度学习模型训练的技术。它通过标准化每层网络的输入(通常是前一层网络的输出),使得网络中的每一层都能接收到具有相同分布的输入数据。这有助于解决训练过程中出现的一些问题,以下是几个主要原因:

  1. 缓解梯度消失/爆炸问题:通过批量归一化,可以使每一层的输入数据都具有零均值和单位方差,从而有助于避免梯度消失或梯度爆炸问题。

  2. 加快训练过程:由于批量归一化使得网络中的每一层都能接收到一致分布的数据,因此可以加快模型的学习速度,减少达到特定精度所需的训练迭代次数。

  3. 增强模型的泛化能力:通过在训练过程中随机选择小批量数据进行归一化处理,批量归一化起到了类似正则化的效果,有助于提高模型的泛化能力。

  4. 允许更高学习率:通常情况下,批量归一化允许使用更高的学习率,因为标准化后的数据更稳定,这也有助于加快收敛。

  5. 减轻权重初始化的重要性:由于批量归一化确保了每一层的输入都有良好的分布,因此对权重的初始化要求相对较低,降低了模型对初始条件的敏感性。

  6. 减少对Dropout等正则化方法的依赖:批量归一化本身具有一定的正则化效果,因此在某些情况下可以减少对其他正则化技术的需求。

总之,批量归一化通过规范化数据,提高了模型训练的效率和稳定性,是现代深度学习实践中非常有用的一种技术手段。然而,值得注意的是,在某些情况下,比如小批量大小或者某些类型的模型中,批量归一化可能不会带来预期的效果,甚至可能会有负面影响。因此,在应用批量归一化时,也需要根据实际情况进行适当的调整和优化。

代码:

import torch
from torch import nn
from d2l import torch as d2l
​
"""
​
一个具有张量的批量规范化层。
"""
def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):
    # 通过is_grad_enabled来判断当前模式是训练模式还是预测模式
    if not torch.is_grad_enabled():
        # 如果是在预测模式下,直接使用传入的移动平均所得的均值和方差
        X_hat = (X - moving_mean) / torch.sqrt(moving_var + eps)
    else:
        assert len(X.shape) in (2, 4)
        if len(X.shape) == 2:
            # 使用全连接层的情况,计算特征维上的均值和方差
            mean = X.mean(dim=0)
            var = ((X - mean) ** 2).mean(dim=0)
        else:
            # 使用二维卷积层的情况,计算通道维上(axis=1)的均值和方差。
            # 这里我们需要保持X的形状以便后面可以做广播运算
            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,用当前的均值和方差做标准化
        X_hat = (X - mean) / torch.sqrt(var + eps)
        # 更新移动平均的均值和方差
        moving_mean = momentum * moving_mean + (1.0 - momentum) * mean
        moving_var = momentum * moving_var + (1.0 - momentum) * var
    Y = gamma * X_hat + beta  # 缩放和移位
    return Y, moving_mean.data, moving_var.data
​
"""
创建一个正确的BatchNorm层。 这个层将保持适当的参数:拉伸gamma和偏移beta,这两个参数将在训练过程中更新。 此外,我们的层将保存均值和方差的移动平均值,以便在模型预测期间随后使用
"""
class BatchNorm(nn.Module):
    # num_features:完全连接层的输出数量或卷积层的输出通道数。
    # num_dims:2表示完全连接层,4表示卷积层
    def __init__(self, num_features, num_dims):
        super().__init__()
        if num_dims == 2:
            shape = (1, num_features)
        else:
            shape = (1, num_features, 1, 1)
        # 参与求梯度和迭代的拉伸和偏移参数,分别初始化成1和0
        self.gamma = nn.Parameter(torch.ones(shape))
        self.beta = nn.Parameter(torch.zeros(shape))
        # 非模型参数的变量初始化为0和1
        self.moving_mean = torch.zeros(shape)
        self.moving_var = torch.ones(shape)
​
    def forward(self, X):
        # 如果X不在内存上,将moving_mean和moving_var
        # 复制到X所在显存上
        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)
        # 保存更新过的moving_mean和moving_var
        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
"""
批量规范化是在卷积层或全连接层之后、相应的激活函数之前应用的
"""
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))
"""
训练
"""
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())
"""
第一个批量规范化层中学到的拉伸参数gamma和偏移参数beta
"""
net[1].gamma.reshape((-1,)), net[1].beta.reshape((-1,))
​
"""
简洁实现
"""
​
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))
​
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

标签:批量,nn,self,var,moving,归一化,李沐,mean
From: https://blog.csdn.net/2401_87085787/article/details/142176170

相关文章

  • 视频监控推流助手/极低延迟/支持N路批量多线程推流/264和265推流/监控转网页
    一、前言说明搞视频监控开发除了基本的拉流以外,还有个需求是推流,需要将拉到的流重新推流到流媒体服务器,让流媒体服务做转发和负载均衡,这样其他地方只需要问流媒体服务器要视频流即可。为什么拉了又重新推呢,因为软件这边和可能拉流后做了处理,比如做了人工智能运算,识别到了物体方框......
  • 【私有云场景案例分享③】批量回归测试自动化流程
    此文章来源于项目官方公众号:“AirtestProject”版权声明:允许转载,但转载必须保留原链接;请勿用作商业或者非法用途一、前言在软件开发生命周期中,回归测试是必不可少的环节。它确保新功能的引入不会破坏现有功能。然而,手动进行这些测试不仅效率低,且容易疏漏测试点。如果通过Devi......
  • shardingJdbc分表执行批量update不支持的解决方式
    引言本次场景,公司通过shardingjdbc对mysql数据库进行分表,模糊匹配按照createTime,每季度一张表的方式,精确匹配按照creatTime的方式。关于模糊匹配、精确匹配,自行在shardingjdbc官网查看,分表策略等。由于是跟进createTime字段去作为分表的key,那么在执行select、update、delete......
  • Megacli 批量磁盘巡检
    情况基本介绍原理:根据megacli-ldpdinfo-aALL-Nolog命令输出的Count错误计数来判断磁盘预错误信息,以实现故障提前处置,避免磁盘连续非预期离线,导致存储集群服务故障。背景:现网生产环境,不允许安装额外的软件。smartctl版本较老且不允许升级,部分smart参数不能识别。python版本......
  • AdaBoost算法(AdbBoost Algorithm)—有监督学习方法、非概率模型、判别模型、非线性模型
    定义输入:训练数据集T={(x1......
  • 在Navicat中对postgre数据库批量修改表的Owner
     navicat中可以在General中看到Owner的信息,需要修改某个表的Owner时,可以在设计表的Options选项中修改  但是表比较多的时候不太方便,可以使用sql命令来修改:select'ALTERTABLE'||table_name||'OWNERTOtargetOwner;'frominformation_schema.tableswhereta......
  • 批量打包地图脚本制作(arcmap工作空间)
    首先要把工作空间的地图文档属性填上脚本语句:importarcpyimportosinpu=arcpy.GetParameterAsText(0).split(';')#工作空间foriininpu:    #生成文件名及默认保存在当前文件夹下    a=os.path.dirname(i)    b=os.path.basename(......
  • 【python脚本】批量获取攻防资产访问截图
    项目地址https://github.com/TFour123/screen_get1.安装依赖pipinstallseleniumwebdriver-managertqdm2.在py脚本所在文件夹下,创建targets.txt文件,运行脚本即可。说明:(1)该脚本旨在攻防中,批量的请求url,获取页面截图,以便初步判断脆弱资产。(2)脚本运行后,会在py文件所在......
  • 【爬虫软件】小红书按关键词批量采集笔记,含笔记正文、转评赞藏等!
    一、背景介绍1.1爬取目标熟悉我的小伙伴都了解,我之前开发过2款软件:【GUI软件】小红书搜索结果批量采集,支持多个关键词同时抓取!【GUI软件】小红书详情数据批量采集,含笔记内容、转评赞藏等!现在介绍的这个软件,相当于以上2个软件的结合版,即根据关键词爬取笔记的详情数......
  • 支付宝分成计划:小白也能月入五位数,矩阵批量操作的秘密
    项目准备账号准备:一张身份证可实名认证3个支付宝账号,无需额外养号。开通流程:支付宝首页进入视频,点击右上角创作者中心,满足条件(100粉丝、4个视频、100播放量、发布10条视频)后加入。素材来源:抖音搜索影视解说类视频,选择时长1分钟左右的热门视频。项目实操素材处理:使......