Pytorch：Batch Normalization批标准化

原文地址

分类目录——Pytorch

• 首先我觉得莫烦老师关于Batch Normalization解释很贴切，引用在这里

  

  在神经网络中, 数据分布对训练会产生影响. 比如某个神经元 x 的值为1, 某个 Weights 的初始值为 0.1, 这样后一层神经元计算结果就是 Wx = 0.1; 又或者 x = 20, 这样 Wx 的结果就为 2. 现在还不能看出什么问题, 但是, 当我们加上一层激励函数, **这个 Wx 值的时候, 问题就来了. 如果使用 像 tanh 的激励函数, Wx 的**值就变成了 ~0.1 和 ~1, 接近于 1 的部分已经处在了 激励函数的饱和阶段, 也就是如果 x 无论再怎么扩大, tanh 激励函数输出值也还是 接近1. 换句话说, 神经网络在初始阶段已经不对那些比较大的 x 特征范围 敏感了. 这样很糟糕, 想象我轻轻拍自己的感觉和重重打自己的感觉居然没什么差别, 这就证明我的感官系统失效了. 当然我们是可以用之前提到的对数据做 normalization 预处理, 使得输入的 x 变化范围不会太大, 让输入值经过激励函数的敏感部分. 但刚刚这个不敏感问题不仅仅发生在神经网络的输入层, 而且在隐藏层中也经常会发生.

  引自 什么是批标准化 (Batch Normalization)

  我们知道在中间层也是可以用tahn**函数的，这时候就要用批标准化来处理了

• 看一下对比效果

  

• 关键代码

  net_bn = torch.nn.Sequential(
      # torch.nn.BatchNorm1d(1),
      torch.nn.Linear(1, N_HIDDEN),
      torch.nn.BatchNorm1d(N_HIDDEN),		# 批标准化
      torch.nn.ReLU(),
      torch.nn.Linear(N_HIDDEN, N_HIDDEN),
      torch.nn.BatchNorm1d(N_HIDDEN),
      torch.nn.ReLU(),
      torch.nn.Linear(N_HIDDEN, 1),
  )
  

• 一个批标准化与无批标准化的对比实例

• 参考文献

  Batch Normalization 批标准化