大家好,又见面了,我是你们的朋友全栈君。
目录
说明
网络训练时和网络评估时,BatchNorm模块的计算方式不同。如果一个网络里包含了BatchNorm,则在训练时需要先调用train(),使网络里的BatchNorm模块的training=True(默认是True),在网络评估时,需要先调用eval(),使网络里的BatchNorm模块的training=False。
BatchNorm1d参数
torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
num_features
输入维度是(N, C, L)时,num_features应该取C;这里N是batch size,C是数据的channel,L是数据长度。
输入维度是(N, L)时,num_features应该取L;这里N是batch size,L是数据长度,这时可以认为每条数据只有一个channel,省略了C
eps
对输入数据进行归一化时加在分母上,防止除零,详情见下文。
momentum
更新全局均值running_mean和方差running_var时使用该值进行平滑,详情见下文。
affine
设为True时,BatchNorm层才会学习参数和,否则不包含这两个变量,变量名是weight和bias,详情见下文。
track_running_stats
设为True时,BatchNorm层会统计全局均值running_mean和方差running_var,详情见下文。
BatchNorm1d训练时前向传播
- 首先对输入batch求和,并用这两个结果把batch归一化,使其均值为0,方差为1。归一化公式用到了eps(),即。如下输入内容,shape是(3, 4),即batch_size=3,此时num_features需要传入4。
tensor = torch.FloatTensor([[1, 2, 4, 1], [6, 3, 2, 4], [2, 4, 6, 1]])
此时,(无偏样本方差)和(有偏样本方差),有偏和无偏的区别在于无偏的分母是N-1,有偏的分母是N。注意在BatchNorm中,用于更新running_var时,使用无偏样本方差即,但是在对batch进行归一化时,使用有偏样本方差,因此如果batch_size=1,会报错。归一化后的内容如下。
[[-0.9258, -1.2247, 0.0000, -0.7071], [ 1.3887, 0.0000, -1.2247, 1.4142], [-0.4629, 1.2247, 1.2247, -0.7071]]
- 如果track_running_stats==True,则使用momentum更新模块内部的running_mean(初值是[0., 0., 0., 0.])和running_var(初值是[1., 1., 1., 1.]),更新公式是,其中代表更新后的running_mean和running_var,表示更新前的running_mean和running_var,表示当前batch的均值和无偏样本方差。
- 如果track_running_stats==False,则BatchNorm中不含有running_mean和running_var两个变量。
- 如果affine==True,则对归一化后的batch进行仿射变换,即乘以模块内部的weight(初值是[1., 1., 1., 1.])然后加上模块内部的bias(初值是[0., 0., 0., 0.]),这两个变量会在反向传播时得到更新。
- 如果affine==False,则BatchNorm中不含有weight和bias两个变量,什么都都不做。
BatchNorm1d评估时前向传播
- 如果track_running_stats==True,则对batch进行归一化,公式为,注意这里的均值和方差是running_mean和running_var,在网络训练时统计出来的全局均值和无偏样本方差。
- 如果track_running_stats==False,则对batch进行归一化,公式为,注意这里的均值和方差是batch自己的mean和var,此时BatchNorm里不含有running_mean和running_var。注意此时使用的是无偏样本方差(和训练时不同),因此如果batch_size=1,会使分母为0,就报错了。
- 如果affine==True,则对归一化后的batch进行放射变换,即乘以模块内部的weight然后加上模块内部的bias,这两个变量都是网络训练时学习到的。
- 如果affine==False,则BatchNorm中不含有weight和bias两个变量,什么都不做。
总结
在使用batchNorm时,通常只需要指定num_features就可以了。网络训练前调用train(),训练时BatchNorm模块会统计全局running_mean和running_var,学习weight和bias,即文献中的和。网络评估前调用eval(),评估时,对传入的batch,使用统计的全局running_mean和running_var对batch进行归一化,然后使用学习到的weight和bias进行仿射变换。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/141980.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...