pytorch 与 BatchNormalization

本文主要是介绍pytorch 与 BatchNormalization，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！

BatchNormallization是神经网络中的一个正则化技术，可以加速网络的收敛，并且在一定程度上解决深度网络“梯度弥散”的问题。它本是数据预处理的一种方法，google的研究人员将它应用在了神经网络中。论文地址：https://arxiv.org/abs/1502.03167

理论

pytorch batch normalization: http://pytorch.org/docs/master/nn.html#normalization-layers
对于输入$x=\{x_1, x_2,\ldots,x_N \}^T$，输出$y=\{y_1, y_2,\ldots, y_N\}^T$，其中$N$表示特征维数(feature map的个数)。
$x_n=\{x_{n1}, x_{n2},\ldots, x_{nM}\}$表示$x$的第$n$维上的M个数据。注意，Batch Normalization是在特征的每一维上进行正则化的，不同特征维度之间相互独立。

$$y_{nm}=\frac{x_{nm}-\mu_{n}}{\sigma_{n}}\times weight_{n}+bias_{n}$$ $$\mu_{n}=\sum_{m=1}^{M} x_{nm}$$ $$\sigma_{n}=\sqrt\frac{\sum_{m=1}^M(x_{nm}-\mu_{n})^2}{N}$$
其中如果 $weight=1, bias=0$，则是把数据的每一维都归一化到均值为0，方差为1。加上 $weight$和 $bias$后是把数据归一化为标准差为 $weight_{n}$均值为 $\mu_{n}$。

实验

>>> import torch
>>> import torch.nn as nn
>>>> from torch.autograd import Variable
>>> bn=nn.BatchNorm1d(3);
>>>> bn.weight
Parameter containing:0.86450.94570.2024
[torch.FloatTensor of size 3]
>>> bn.bias
Parameter containing:000
[torch.FloatTensor of size 3]
>>> bn.weight=nn.Parameter(torch.Tensor([1,1,1]));
>>>> bn.weight
Parameter containing:111
[torch.FloatTensor of size 3]
>>> bn(Variable(torch.Tensor([[1,2,3],[2,3,4]])))
Variable containing:
-1.0000 -1.0000 -1.00001.0000  1.0000  1.0000
[torch.FloatTensor of size 2x3]
>>> bn.weight=nn.Parameter(torch.Tensor([1,2,3]))
>>> bn(Variable(torch.Tensor([[1,2,3],[2,3,4]])))
Variable containing:
-1.0000 -2.0000 -2.99991.0000  2.0000  2.9999
[torch.FloatTensor of size 2x3]
>>> bn.bias=nn.Parameter(torch.Tensor([0.1, 0.2, 0.3]))
>>> bn(Variable(torch.Tensor([[1,2,3],[2,3,4]])))
Variable containing:
-0.9000 -1.8000 -2.69991.1000  2.2000  3.2999
[torch.FloatTensor of size 2x3]

这篇关于pytorch 与 BatchNormalization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！

---