CS231n作业笔记2.4:Batchnorm的实现与使用

2023-12-15 23:38

本文主要是介绍CS231n作业笔记2.4:Batchnorm的实现与使用,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

CS231n简介

详见 CS231n课程笔记1:Introduction。
本文都是作者自己的思考,正确性未经过验证,欢迎指教。

作业笔记

Batchnorm的思想简单易懂,实现起来也很轻松,但是却具有很多优良的性质,具体请参考课程笔记。下图简要介绍了一下Batchnorm需要完成的工作以及优点(详情请见CS231n课程笔记5.3:Batch Normalization):
batchnorm
需要注意的有:

  1. 最后一步对归一化后的数据进行平移与缩放,且此参数可学习。
  2. 上诉参数对于x的每一维都具有相应的参数,故假设X.shape = [N,D],那么gamma.shape = [D,]

1. 前向传播

这里即实现上图所诉功能,需要注意的有:

  1. out_media的命名是为了后向传播的时候处理方便
  2. 使用var而不是std,这既符合图中公式,又方便了后向传播
  3. 计算out_media的时候,减法以及除法都做了broadcasting,对应于反向传播的时候sum
  4. 同理,计算out的时候,加法以及乘法也都做了broadcasting

注:broadcasting的部分请参考python、numpy、scipy、matplotlib的一些小技巧。

  if mode == 'train':mean = np.mean(x,axis = 0)var = np.var(x,axis = 0)running_mean = running_mean * momentum + (1-momentum) * meanrunning_var = running_var * momentum + (1-momentum) * varout_media = (x-mean)/np.sqrt(var + eps)out = (out_media + beta) * gammacache = (out_media,x,mean,var,beta,gamma,eps)elif mode == 'test':out = (x-running_mean)/np.sqrt(running_var+eps)out = (out + beta) * gammacache = (out,x,running_mean,running_var,beta,gamma,eps)

2. 后向传播

对前面所诉的前向传播过程做BP(详情参考CS231n课程笔记4.1:反向传播BP),值得注意的有:

  1. dgamma以及dbeta求值的时候由于前向传播那里使用了broadcasting,这里需要做求和。
  2. dvar也会向dmean传播,所以先分解dvar。
  3. 直接求解dvar过于复杂,使用dstd过渡。
  4. 每次求解的时候不要忘记乘以全局梯度。
  5. 对于dvar的分解,分别使用(x-mean)^2以及(x-mean)过渡。
  dout_media = dout * gammadgamma = np.sum(dout * (out_media + beta),axis = 0)dbeta = np.sum(dout * gamma,axis = 0)dx = dout_media / np.sqrt(var + eps)dmean = -np.sum(dout_media / np.sqrt(var+eps),axis = 0)dstd = np.sum(-dout_media * (x - mean) / (var + eps),axis = 0)dvar = 1./2./np.sqrt(var+eps) * dstddx_minus_mean_square = dvar / x.shape[0]dx_minus_mean = 2 * (x-mean) * dx_minus_mean_squaredx += dx_minus_meandmean += np.sum(-dx_minus_mean,axis = 0)dx += dmean / x.shape[0] 

3. 应用:带Batchnorm的多层神经网络

不带Batchnorm多层神经网络的实现参考CS231n作业笔记2.2:多层神经网络的实现。

3.1. 初始化代码

初始化参数,注意beta以及gamma都需要初始化,而且对于x的每一维都存在相应独立的参数。

    self.bn_params = []if self.use_batchnorm:self.bn_params = [{'mode': 'train'} for i in xrange(self.num_layers - 1)]for i in xrange(self.num_layers-1):self.params['beta'+str(i+1)] = np.zeros(hidden_dims[i])self.params['gamma'+str(i+1)] = np.ones(hidden_dims[i])

3.2. 前向传播代码

计算scores,注意对于最后一层全连接的输出不做BN;以及running_mean以及running_var是内部变量,每次只在自己内部更新,不同层的mean与var无关。

    cache = {}hidden_value = Nonehidden_value,cache['fc1'] = affine_forward(X,self.params['W1'],self.params['b1'])if self.use_batchnorm:hidden_value,cache['bn1'] = batchnorm_forward(hidden_value, self.params['gamma1'], self.params['beta1'], self.bn_params[0])hidden_value,cache['relu1'] = relu_forward(hidden_value)for index in range(2,self.num_layers):hidden_value,cache['fc'+str(index)] = affine_forward(hidden_value,self.params['W'+str(index)],self.params['b'+str(index)])if self.use_batchnorm:hidden_value,cache['bn'+str(index)] = batchnorm_forward(hidden_value,  self.params['gamma'+str(index)], self.params['beta'+str(index)], self.bn_params[index-1])hidden_value,cache['relu'+str(index)] = relu_forward(hidden_value)scores,cache['score'] = affine_forward(hidden_value,self.params['W'+str(self.num_layers)],self.params['b'+str(self.num_layers)])

3.3. 后向传播代码

计算gradient,注意本作业对于beta以及gamma不做正则化,但是keras等开源库提供了相应正则化的接口。

    loss, grads = 0.0, {}loss,dscores = softmax_loss(scores,y)for index in range(1,self.num_layers+1):loss += 0.5*self.reg*np.sum(self.params['W'+str(index)]**2)dhidden_value,grads['W'+str(self.num_layers)],grads['b'+str(self.num_layers)] = affine_backward(dscores,cache['score'])for index in range(self.num_layers-1,1,-1):dhidden_value = relu_backward(dhidden_value,cache['relu'+str(index)])if self.use_batchnorm:dhidden_value, grads['gamma'+str(index)], grads['beta'+str(index)] = batchnorm_backward(dhidden_value, cache['bn'+str(index)])dhidden_value,grads['W'+str(index)],grads['b'+str(index)] = affine_backward(dhidden_value,cache['fc'+str(index)])dhidden_value = relu_backward(dhidden_value,cache['relu1'])if self.use_batchnorm:dhidden_value, grads['gamma1'], grads['beta1'] = batchnorm_backward(dhidden_value, cache['bn1'])dhidden_value,grads['W1'],grads['b1'] = affine_backward(dhidden_value,cache['fc1'])for index in range(1,self.num_layers+1):grads['W'+str(index)] += self.reg * self.params['W'+str(index)] 

这篇关于CS231n作业笔记2.4:Batchnorm的实现与使用的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/498323

相关文章

Pandas使用SQLite3实战

《Pandas使用SQLite3实战》本文主要介绍了Pandas使用SQLite3实战,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1 环境准备2 从 SQLite3VlfrWQzgt 读取数据到 DataFrame基础用法:读

JSON Web Token在登陆中的使用过程

《JSONWebToken在登陆中的使用过程》:本文主要介绍JSONWebToken在登陆中的使用过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录JWT 介绍微服务架构中的 JWT 使用结合微服务网关的 JWT 验证1. 用户登录,生成 JWT2. 自定义过滤

Java中StopWatch的使用示例详解

《Java中StopWatch的使用示例详解》stopWatch是org.springframework.util包下的一个工具类,使用它可直观的输出代码执行耗时,以及执行时间百分比,这篇文章主要介绍... 目录stopWatch 是org.springframework.util 包下的一个工具类,使用它

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、

Java使用Curator进行ZooKeeper操作的详细教程

《Java使用Curator进行ZooKeeper操作的详细教程》ApacheCurator是一个基于ZooKeeper的Java客户端库,它极大地简化了使用ZooKeeper的开发工作,在分布式系统... 目录1、简述2、核心功能2.1 CuratorFramework2.2 Recipes3、示例实践3

Springboot处理跨域的实现方式(附Demo)

《Springboot处理跨域的实现方式(附Demo)》:本文主要介绍Springboot处理跨域的实现方式(附Demo),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录Springboot处理跨域的方式1. 基本知识2. @CrossOrigin3. 全局跨域设置4.

springboot security使用jwt认证方式

《springbootsecurity使用jwt认证方式》:本文主要介绍springbootsecurity使用jwt认证方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录前言代码示例依赖定义mapper定义用户信息的实体beansecurity相关的类提供登录接口测试提供一

go中空接口的具体使用

《go中空接口的具体使用》空接口是一种特殊的接口类型,它不包含任何方法,本文主要介绍了go中空接口的具体使用,具有一定的参考价值,感兴趣的可以了解一下... 目录接口-空接口1. 什么是空接口?2. 如何使用空接口?第一,第二,第三,3. 空接口几个要注意的坑坑1:坑2:坑3:接口-空接口1. 什么是空接

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu