Batch Normalization细节

本文深入解析了卷积神经网络(CNN)中Batch Normalization(BN)层的工作原理,详细介绍了BN层如何处理输入数据,即针对每个特征图计算m×w×h数值的平均值和方差,以及如何学习对应参数γ和β。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

CNN Batch Normalization:假设某一层卷积层的输入为(m,c,w,h),其中m为batch size数,c为通道数,即特征图个数,w,h分别为特征图的宽度和高度,实现BN时,把每个特征图当做一个神经元处理,因此对于每一个特征图都需要学习对应的参数:γ和β,对于每一个特征图计算所有m×w×h数值的平均值和方差。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值