batchNorm解析「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。

转载：基础 | batchnorm原理及代码详解

Batchnorm原理详解

前言：Batchnorm是深度网络中经常用到的加速神经网络训练，加速收敛速度及稳定性的算法，可以说是目前深度网络必不可少的一部分。
本文旨在用通俗易懂的语言，对深度学习的常用算法–batchnorm的原理及其代码实现做一个详细的解读。本文主要包括以下几个部分。

• Batchnorm主要解决的问题
• Batchnorm原理解读
• Batchnorm的优点
• Batchnorm的源码解读

第一节：Batchnorm主要解决的问题

首先，此部分也即是讲为什么深度网络会需要

，我们都知道，深度学习的话尤其是在CV上都需要对数据做归一化，因为深度神经网络主要就是为了学习训练数据的分布，并在测试集上达到很好的泛化效果，但是，如果我们每一个batch输入的数据都具有不同的分布，显然会给网络的训练带来困难。另一方面，数据经过一层层网络计算后，其数据分布也在发生着变化，此现象称为 ，接下来会详细解释，会给下一层的网络学习带来困难。

直译过来就是批规范化，就是为了解决这个分布变化问题。

1.1 Internal Covariate Shift

：此术语是google小组在论文

中提出来的，其主要描述的是：训练深度网络的时候经常发生训练困难的问题，因为，每一次参数迭代更新后，上一层网络的输出数据经过这一层网络计算后，数据的分布会发生变化，为下一层网络的学习带来困难（神经网络本来就是要学习数据的分布，要是分布一直在变，学习就很难了），此现象称之为

。

之前的解决方案就是使用较小的学习率，和小心的初始化参数，对数据做白化处理，但是显然治标不治本。

1.2 covariate shift

和 具有相似性，但并不是一个东西，前者发生在神经网络的内部，所以是，后者发生在输入数据上。

主要描述的是由于训练数据和测试数据存在分布的差异性，给网络的泛化性和训练速度带来了影响，我们经常使用的方法是做归一化或者白化。想要直观感受的话，看下图：

举个简单线性分类栗子，假设我们的数据分布如a所示，参数初始化一般是0均值，和较小的方差，此时拟合的

如b图中的橘色线，经过多次迭代后，达到紫色线，此时具有很好的分类效果，但是如果我们将其归一化到0点附近，显然会加快训练速度，如此我们更进一步的通过变换拉大数据之间的相对差异性，那么就更容易区分了。

就是描述的输入数据分布不一致的现象，对数据做归一化当然可以加快训练速度，能对数据做去相关性，突出它们之间的分布相对差异就更好了。做到了，前文已说过，是归一化的一种手段，极限来说，这种方式会减小图像之间的绝对差异，突出相对差异，加快训练速度。所以说，并不是在深度学习的所有领域都可以使用

，下文会写到其不适用的情况。

第二节：Batchnorm 原理解读

本部分主要结合原论文部分，排除一些复杂的数学公式，对

的原理做尽可能详细的解释。

之前就说过，为了减小

，对神经网络的每一层做归一化不就可以了，假设将每一层输出后的数据都归一化到0均值，1方差，满足正太分布，但是，此时有一个问题，每一层的数据分布都是标准正太分布，导致其完全学习不到输入数据的特征，因为，费劲心思学习到的特征分布被归一化了，因此，直接对每一层做归一化显然是不合理的。

但是如果稍作修改，加入可训练的参数做归一化，那就是

实现的了，接下来结合下图的伪代码做详细的分析：

之所以称之为batchnorm是因为所norm的数据是一个batch的，假设输入数据是

共m个数据，输出是，

的步骤如下：

1.先求出此次批量数据

的均值，

2.求出此次batch的方差，

3.接下来就是对做归一化，得到

4.最重要的一步，引入缩放和平移变量和 ,计算归一化后的值，

接下来详细介绍一下这额外的两个参数，之前也说过如果直接做归一化不做其他处理，神经网络是学不到任何东西的，但是加入这两个参数后，事情就不一样了，先考虑特殊情况下，如果

和分别等于此batch的方差和均值，那么不就还原到归一化前的了吗，也即是缩放平移到了归一化前的分布，相当于没有起作用， 和

分别称之为 平移参数和缩放参数 。这样就保证了每一次数据经过归一化后还保留的有学习来的特征，同时又能完成归一化这个操作，加速训练。

先用一个简单的代码举个小栗子：

def Batchnorm_simple_for_train(x, gamma, beta, bn_param): 

""" param:x : 输入数据，设shape(B,L) param:gama : 缩放因子 γ param:beta : 平移因子 β param:bn_param : batchnorm所需要的一些参数 eps : 接近0的数，防止分母出现0 momentum : 动量参数，一般为0.9， 0.99， 0.999 running_mean ：滑动平均的方式计算新的均值，训练时计算，为测试数据做准备 running_var : 滑动平均的方式计算新的方差，训练时计算，为测试数据做准备 """ 

    running_mean = bn_param['running_mean']  #shape = [B] 

    running_var = bn_param['running_var']    #shape = [B] 

    results = 0. # 建立一个新的变量

x_mean=x.mean(axis=<span class="hljs-number">0</span>)  <span class="hljs-comment"># 计算x的均值</span>
x_var=x.var(axis=<span class="hljs-number">0</span>)    <span class="hljs-comment"># 计算方差</span>
x_normalized=(x-x_mean)/np.sqrt(x_var+eps)       <span class="hljs-comment"># 归一化</span>
results = gamma * x_normalized + beta            <span class="hljs-comment"># 缩放平移</span>

running_mean = momentum * running_mean + (<span class="hljs-number">1</span> - momentum) * x_mean
running_var = momentum * running_var + (<span class="hljs-number">1</span> - momentum) * x_var

<span class="hljs-comment">#记录新的值</span>
bn_param[<span class="hljs-string">'running_mean'</span>] = running_mean
bn_param[<span class="hljs-string">'running_var'</span>] = running_var 

<span class="hljs-keyword">return</span> results , bn_param</code></pre><p>看完这个代码是不是对batchnorm有了一个清晰的理解，首先计算均值和方差，然后归一化，然后缩放和平移，完事！但是这是在训练中完成的任务，每次训练给一个批量，然后计算批量的均值方差，但是在测试的时候可不是这样，测试的时候每次只输入一张图片，这怎么计算批量的均值和方差，于是，就有了代码中下面两行，在训练的时候实现计算好</p> <p>测试的时候直接拿来用就可以了，不用计算均值和方差。</p><pre class="prettyprint" name="code"><code class="hljs ini has-numbering"><span class="hljs-setting">running_mean = <span class="hljs-value">momentum * running_mean + (<span class="hljs-number">1</span> - momentum) * x_mean</span></span>

running_var = momentum * running_var + (1 - momentum) * x_var
所以，测试的时候是这样的：
def Batchnorm_simple_for_test(x, gamma, beta, bn_param): 

""" param:x : 输入数据，设shape(B,L) param:gama : 缩放因子 γ param:beta : 平移因子 β param:bn_param : batchnorm所需要的一些参数 eps : 接近0的数，防止分母出现0 momentum : 动量参数，一般为0.9， 0.99， 0.999 running_mean ：滑动平均的方式计算新的均值，训练时计算，为测试数据做准备 running_var : 滑动平均的方式计算新的方差，训练时计算，为测试数据做准备 """ 

    running_mean = bn_param['running_mean']  #shape = [B] 

    running_var = bn_param['running_var']    #shape = [B] 

    results = 0. # 建立一个新的变量

x_normalized=(x-running_mean )/np.sqrt(running_var +eps)       <span class="hljs-comment"># 归一化</span>
results = gamma * x_normalized + beta            <span class="hljs-comment"># 缩放平移</span>

<span class="hljs-keyword">return</span> results , bn_param</code></pre><p>你是否理解了呢？如果还没有理解的话，欢迎再多看几遍。</p><h3><a name="t5"></a><a target="_blank"></a>第三节：Batchnorm源码解读</h3><hr><p>本节主要讲解一段tensorflow中</p>的可以使用的代码<p>，如下： <br>代码来自知乎，这里加入注释帮助阅读。</p><pre class="prettyprint" name="code"><code class="hljs python has-numbering"><span class="hljs-function"><span class="hljs-keyword">def</span> <span class="hljs-title">batch_norm_layer</span><span class="hljs-params">(x, train_phase, scope_bn)</span>:</span>
<span class="hljs-keyword">with</span> tf.variable_scope(scope_bn):
    <span class="hljs-comment"># 新建两个变量，平移、缩放因子</span>
    beta = tf.Variable(tf.constant(<span class="hljs-number">0.0</span>, shape=[x.shape[-<span class="hljs-number">1</span>]]), name=<span class="hljs-string">'beta'</span>, trainable=<span class="hljs-keyword">True</span>)
    gamma = tf.Variable(tf.constant(<span class="hljs-number">1.0</span>, shape=[x.shape[-<span class="hljs-number">1</span>]]), name=<span class="hljs-string">'gamma'</span>, trainable=<span class="hljs-keyword">True</span>)

    <span class="hljs-comment"># 计算此次批量的均值和方差</span>
    axises = np.arange(len(x.shape) - <span class="hljs-number">1</span>)
    batch_mean, batch_var = tf.nn.moments(x, axises, name=<span class="hljs-string">'moments'</span>)

    <span class="hljs-comment"># 滑动平均做衰减</span>
    ema = tf.train.ExponentialMovingAverage(decay=<span class="hljs-number">0.5</span>)

    <span class="hljs-function"><span class="hljs-keyword">def</span> <span class="hljs-title">mean_var_with_update</span><span class="hljs-params">()</span>:</span>
        ema_apply_op = ema.apply([batch_mean, batch_var])
        <span class="hljs-keyword">with</span> tf.control_dependencies([ema_apply_op]):
            <span class="hljs-keyword">return</span> tf.identity(batch_mean), tf.identity(batch_var)
    <span class="hljs-comment"># train_phase 训练还是测试的flag</span>
    <span class="hljs-comment"># 训练阶段计算runing_mean和runing_var，使用mean_var_with_update（）函数</span>
    <span class="hljs-comment"># 测试的时候直接把之前计算的拿去用 ema.average(batch_mean)</span>
    mean, var = tf.cond(train_phase, mean_var_with_update,
                        <span class="hljs-keyword">lambda</span>: (ema.average(batch_mean), ema.average(batch_var)))
    normed = tf.nn.batch_normalization(x, mean, var, beta, gamma, <span class="hljs-number">1e-3</span>)
<span class="hljs-keyword">return</span> normed</code></pre><p>至于此行代码tf.nn.batch_normalization（）就是简单的计算batchnorm过程啦，代码如下： <br>这个函数所实现的功能就如此公式：</p><pre class="prettyprint" name="code"><code class="hljs python has-numbering"><span class="hljs-function"><span class="hljs-keyword">def</span> <span class="hljs-title">batch_normalization</span><span class="hljs-params">(x,
                    mean,
                    variance,
                    offset,
                    scale,
                    variance_epsilon,
                    name=None)</span>:</span>

<span class="hljs-keyword">with</span> ops.name_scope(name, <span class="hljs-string">"batchnorm"</span>, [x, mean, variance, scale, offset]):
    inv = math_ops.rsqrt(variance + variance_epsilon)
    <span class="hljs-keyword">if</span> scale <span class="hljs-keyword">is</span> <span class="hljs-keyword">not</span> <span class="hljs-keyword">None</span>:
        inv *= scale
    <span class="hljs-keyword">return</span> x * inv + (offset - mean * inv
                  <span class="hljs-keyword">if</span> offset <span class="hljs-keyword">is</span> <span class="hljs-keyword">not</span> <span class="hljs-keyword">None</span> <span class="hljs-keyword">else</span> -mean * inv)</code></pre><h3><a name="t6"></a><a target="_blank"></a>第四节：Batchnorm的优点</h3><p>主要部分说完了，接下来对BatchNorm做一个总结：</p><ul><li>没有它之前，需要小心的调整学习率和权重初始化，但是有了BN可以放心的使用大学习率，但是使用了BN，就不用小心的调参了，较大的学习率极大的提高了学习速度，</li><li>Batchnorm本身上也是一种正则的方式，可以代替其他正则方式如dropout等</li><li>另外，个人认为，batchnorm降低了数据之间的绝对差异，有一个去相关的性质，更多的考虑相对差异性，因此在分类任务上具有更好的效果。</li></ul><blockquote>  <p>注：或许大家都知道了，韩国团队在2017NTIRE图像超分辨率中取得了top1的成绩，主要原因竟是去掉了网络中的batchnorm层，由此可见，BN并不是适用于所有任务的，在image-to-image这样的任务中，尤其是超分辨率上，图像的绝对差异显得尤为重要，所以batchnorm的scale并不适合。</p></blockquote><p>参考文献： <br>【1】<a href="http://blog.csdn.net/zhikangfu/article/details/53391840" target="_blank">http://blog.csdn.net/zhikangfu/article/details/53391840</a> <br>【2】<a href="http://geek.csdn.net/news/detail/160906" target="_blank">http://geek.csdn.net/news/detail/160906</a> <br>【3】 <a href="https://www.zhihu.com/question/53133249" target="_blank">https://www.zhihu.com/question/53133249</a></p><br>                </div>
                </div>

(PS： 
BatchNormalization解决什么问题呢？
主要是为了解决反向传播过程中的梯度爆炸和梯度消失，更多请参考： 
深度学习中 Batch Normalization为什么效果好？ 
)
                                                        
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/137923.html原文链接：https://javaforall.cn
		

			【正版授权，激活自己账号】：
			
			Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
			
		

		

			【官方授权 正版激活】：
			
			官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...