《Batch Normalization》閱讀筆記

文章提出了將批處理作為模型本身的一部分已脓。

批處理的平均損失是對(duì)整個(gè)數(shù)據(jù)集的估計(jì)珊楼;批處理可以利用數(shù)據(jù)并行提高訓(xùn)練速度。深度學(xué)習(xí)需要謹(jǐn)慎調(diào)整模型參數(shù)度液,并且網(wǎng)絡(luò)的初始化參數(shù)也很重要厕宗。

為什么要用Normalization,文中提到堕担,考慮一個(gè)經(jīng)過sigmoid函數(shù)的網(wǎng)絡(luò)層:

z=g(Wu+b),其中g(x)=\frac{1}{1+exp(-x)} 已慢。當(dāng)x增大時(shí),g{\prime}(x)趨向于0.這會(huì)使得對(duì)參數(shù)W的求導(dǎo)也趨向于0霹购,使得訓(xùn)練速度變慢佑惠。

然而,由于x
W齐疙,b
和下面所有層的參數(shù)的影響膜楷,在訓(xùn)練期間對(duì)這些參數(shù)的改變可能將x
的許多維度移動(dòng)到非線性的飽和狀態(tài)并且減慢收斂。隨著網(wǎng)絡(luò)深度的增加贞奋,這種效應(yīng)會(huì)得到放大(這一塊兒不是很理解)把将。在實(shí)際操作中,飽和問題和梯度消失問題都用線性修正單元(ReLU)忆矛、慎重初始化模型參數(shù)察蹲、較小的學(xué)習(xí)率來解決的。

Batch Normalization旨在減少內(nèi)在協(xié)方差位移催训,可以使用較大的學(xué)習(xí)率洽议,可以提高訓(xùn)練速度。Batch Normalization還可以規(guī)范化模型以及減少Dropout的必要性(漫拭?)

作者在ImageNet上使用Batch Normalization訓(xùn)練亚兄,只用了7%的訓(xùn)練步驟就完成了效果,并且可以進(jìn)一步提升準(zhǔn)確率采驻。


Internal Covariate Shift 是指在訓(xùn)練過程中由于網(wǎng)絡(luò)參數(shù)的改變導(dǎo)致網(wǎng)絡(luò)激活函數(shù)的分布改變审胚。如果網(wǎng)絡(luò)的輸入是均值為0,單元方差的化(即白化)礼旅,則網(wǎng)絡(luò)的訓(xùn)練將會(huì)收斂得更快膳叨。

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市痘系,隨后出現(xiàn)的幾起案子菲嘴,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,743評(píng)論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件龄坪,死亡現(xiàn)場(chǎng)離奇詭異昭雌,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)健田,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評(píng)論 3 385
  • 文/潘曉璐 我一進(jìn)店門烛卧,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人妓局,你說我怎么就攤上這事唱星。” “怎么了跟磨?”我有些...
    開封第一講書人閱讀 157,285評(píng)論 0 348
  • 文/不壞的土叔 我叫張陵间聊,是天一觀的道長(zhǎng)。 經(jīng)常有香客問我抵拘,道長(zhǎng)哎榴,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,485評(píng)論 1 283
  • 正文 為了忘掉前任僵蛛,我火速辦了婚禮尚蝌,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘充尉。我一直安慰自己飘言,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,581評(píng)論 6 386
  • 文/花漫 我一把揭開白布驼侠。 她就那樣靜靜地躺著姿鸿,像睡著了一般。 火紅的嫁衣襯著肌膚如雪倒源。 梳的紋絲不亂的頭發(fā)上苛预,一...
    開封第一講書人閱讀 49,821評(píng)論 1 290
  • 那天,我揣著相機(jī)與錄音笋熬,去河邊找鬼热某。 笑死,一個(gè)胖子當(dāng)著我的面吹牛胳螟,可吹牛的內(nèi)容都是我干的昔馋。 我是一名探鬼主播,決...
    沈念sama閱讀 38,960評(píng)論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼糖耸,長(zhǎng)吁一口氣:“原來是場(chǎng)噩夢(mèng)啊……” “哼秘遏!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起蔬捷,我...
    開封第一講書人閱讀 37,719評(píng)論 0 266
  • 序言:老撾萬榮一對(duì)情侶失蹤垄提,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后周拐,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體铡俐,經(jīng)...
    沈念sama閱讀 44,186評(píng)論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,516評(píng)論 2 327
  • 正文 我和宋清朗相戀三年妥粟,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了审丘。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 38,650評(píng)論 1 340
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡勾给,死狀恐怖滩报,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情播急,我是刑警寧澤脓钾,帶...
    沈念sama閱讀 34,329評(píng)論 4 330
  • 正文 年R本政府宣布,位于F島的核電站桩警,受9級(jí)特大地震影響可训,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜捶枢,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 39,936評(píng)論 3 313
  • 文/蒙蒙 一握截、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧烂叔,春花似錦谨胞、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評(píng)論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至逢防,卻和暖如春康聂,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背胞四。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評(píng)論 1 266
  • 我被黑心中介騙來泰國打工恬汁, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人辜伟。 一個(gè)月前我還...
    沈念sama閱讀 46,370評(píng)論 2 360
  • 正文 我出身青樓氓侧,卻偏偏與公主長(zhǎng)得像,于是被迫代替她去往敵國和親导狡。 傳聞我的和親對(duì)象是個(gè)殘疾皇子约巷,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,527評(píng)論 2 349

推薦閱讀更多精彩內(nèi)容