对tensorflow 的BatchNormalization的坑的理解与测试

wzg2016

关注

原创最新推荐文章于 2026-07-26 15:11:57 发布 3k 阅读 AI 写同款· GEO 优化 ›

TensorFlow开发者认证考试实战指南：工程规范与沙箱避坑 TensorFlow开发者认证并非理论知识测验，而是面向工业级AI工程实践的能力验证。它聚焦于tf.data流水线构建、Keras模型结构规范、GPU沙箱环境适配等核心工程能力，强调在受限资源（如8GB显存）、封闭环境和严格版本约束（TF 2.7.x）下实现可复现、可部署、抗干扰的端到端解决方案。考试本质是检验开发者对TensorFlow最佳实践的肌肉记忆——从数据加载顺序、BatchNormalization位置，到GlobalAveragePooling2D强制使用，每一处都映射真实生产场景的技术决策逻阅读详情

tensorflow 的 BatchNormalization的常见的坑

1. 在训练时设置批标准化的参数 training = True, 执行测试时设置 training = False

2. 在训练时，要用 tf.control_dependencies 添加对批标准化的“update_ops”的依赖控制，先执行批标准化的“update_ops”，然后后再进行当前次的迭代训练。

注：1）批标准化的“update_ops”主要是指两个滑动平均操作，一个用于计算均值，一个用于计算方差。

2） tensorflow中有多个实现批标准化的函数，有的会自动把“update_ops”放入tf.GraphKeys.UPDATE_OPS 这个collection中，有的则不会，比如tf.keras.layers.BatchNormalization, 此时需要手动把“update_ops”放入tf.GraphKeys.UPDATE_OPS中。

3）如果在训练时没有添加 tf.control_dependencies：如果不在使用时添加tf.control_dependencies函数，即在训练时(training=True)每批次时只会计算当批次的mean和var，并传递给tf.nn.batch_normalization进行归一化，由于mean_update和variance_update在计算图中并不在上述操作的依赖路径上，因为并不会主动完成，也就是说，在训练时mean_update和variance_update并不会被使用到，其值一直是初始值。因此在测试阶段(training=False)使用这两个作为mean和variance并进行归一化操作，这样就会出现错误。而如果使用tf.control_dependencies函数，会在训练阶段每次训练操作执行前被动地去执行mean_update和variance_update，因此moving_mean和moving_variance会被不断更新，在测试时使用该参数也就不会出现错误。

3. 批标准化层会带来4个新的变量，但是这四个变量不是trainable的，而且这四个变量在测试阶段要会用到，因此，在保存模型时要设置 saver = tf.train.Saver(var_list=tf.global_variables())，即保存所有全局变量，而不是仅仅保存可训练的变量。

4. BN层模型pb转化为tflite时，我暂时没遇到，具体可参考：BN层模型pb转化为tflite时

5. 训练时不要设置batchsize=1,当batch_size = 1时，batch_norm实际上是instance_norm.由于训练时的batch_size太小，导致滑动平均值不稳定，因为使用滑动平均值去测试效果不好.

6. 批标准化的位置放在激活函数之前

1. tf.control_dependencies

该函数的作用是：在执行其辖区的命令之前，先确保辖区命令依赖的节点被率先执行。辖区命令依赖的节点被作为参数放在tf.control_dependencies的参数位置。请看下面一个例子。

import tensorflow as tf

a = tf.Variable(1)
b = tf.Variable(2)
update_op = tf.assign(a, 10) # 赋值操作，改变变量 a_1 的数值

# 添加依赖控制 # 该命令的参数是被依赖的计算节点，只有当被依赖的节点被执行后才能执行该命令辖区内的操作，
with tf.control_dependencies([update_op]): # 添加了对 update_op 的依赖，执行辖区命令时，要先执行 update_op 节点
# with tf.control_dependencies([]):        # 未添加对 update_op 的依赖，执行辖区命令时，不会调用执行 update_op 节点
	c = tf.add(a, b)


with tf.Session() as sess:
	sess.run(tf.global_variables_initializer())
	
	a,b,c= sess.run([a,b,c])
	
	print("a={}  b={}  c={}".format(a,b,c))
	
"""
实验结果：
1）当添加了对 update_op 的依赖时（执行 with tf.control_dependencies([update_op]) ），输出结果为：
a=10  b=2  c=12

2）当未添加对 update_op 的依赖时（执行 with tf.control_dependencies([]):），输出结果为：
a=1  b=2  c=3

结果分析：
虽然在图的搭建过程中定义了 update_op = tf.assign(a, 10) 节点，但是tensorflow的图的运行并不是按命令行的顺序执行的。
如果c = tf.add(a, b) 操作没有对节点 update_op 添加依赖，那么在执行 c = tf.add(a, b)时，update_op 不会被主动调用。

tf.control_dependencies 就是解决了这个问题。

"""

2. tf.GraphKeys.UPDATE_OPS

tf.GraphKeys.UPDATE_OPS 是一个tensorflow的计算图中内置的一个集合，该集合会保存一些需要在训练操作之前完成的操作，一般配合tf.control_dependencies函数使用。

比如，在批标准化中，存在两个变量：mean和variance，这两个值是随着迭代的进行不断更新的，因此在执行每次迭代之前，需要先计算mean和variance。通过下面一个例子介绍tf.layers.batch_normalization产生的mean和variance。

import tensorflow as tf

input = tf.ones([1, 2, 2, 3])
output = tf.layers.batch_normalization(input, training=True)
#output = tf.layers.batch_normalization(input, training=False)

# 打印batch_normalization中的两个操作
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
print(update_ops)

# with tf.control_dependencies(update_ops):
# 	train_op = optimizer.minimize(loss)

# with tf.Session() as sess:
# 	sess.run(tf.global_variables_initializer())
# 	saver = tf.train.Saver()
# 	saver.save(sess, "batch_norm_layer/Model")


"""
打印：
[<tf.Operation 'batch_normalization/AssignMovingAvg' type=AssignSub>, <tf.Operation 'batch_normalization/AssignMovingAvg_1' type=AssignSub>]
这两个变量即均值和方差。

当tf.layers.batch_normalization的参数training=False时，打印内容为：[]
因为此时不需要对均值和方差进行更新。

"""

3. tensorflow 的批标准化

tensorflow可以通过多种途径进行批标准化，有多个候选函数：

tf.nn.batch_normalization
tf.layers.batch_normalization(input,training=True)
tf.layers.BatchNormalization()(input,training=True)
tf.contrib.layers.batch_norm(input, is_training=True)
tf.keras.layers.BatchNormalization()(input, training=True)

在第二节的例子中，我们使用了 tf.layers.batch_normalization，该函数可以自动创建 update_ops（即均值和方差变量）并加入tf.GraphKeys.UPDATE_OPS中，在训练时，我们直接添加对 update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS) 的依赖即可，但是是不是其他的批标准化函数也有这种自动操作呢？很遗憾，答案是否定的，tf.keras.layers.BatchNormalization 就没有。实验如下：

import tensorflow as tf

input = tf.ones([1, 2, 2, 3])
# 主要改变了批标准化函数
output = tf.keras.layers.BatchNormalization()(input, training=True)

# 打印batch_normalization中的两个操作
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
print(update_ops)

# with tf.control_dependencies(update_ops):
# 	train_op = optimizer.minimize(loss)

# with tf.Session() as sess:
# 	sess.run(tf.global_variables_initializer())
# 	saver = tf.train.Saver()
# 	saver.save(sess, "batch_norm_layer/Model")

"""
打印： 
[]
"""

可见，tf.keras.layers.BatchNormalization并没有把均值与方差的计算节点放入tf.GraphKeys.UPDATE_OPS中，因此，此时即使在训练时添加了对 tf.GraphKeys.UPDATE_OPS 的依赖，也并没有执行批标准化中均值与方差的更新。

下面将每个批标准化函数是否会把更新变量均值和方差放入tf.GraphKeys.UPDATE_OPS中进行统计：

tf.nn.batch_normalization ：低阶API，不建议使用
tf.layers.batch_normalization(input,training=True) ：会自动将 update_ops 添加到 tf.GraphKeys.UPDATE_OPS 中
tf.layers.BatchNormalization()(input,training=True) ：会自动将 update_ops 添加到 tf.GraphKeys.UPDATE_OPS 中
tf.contrib.layers.batch_norm(input, is_training=True)：会自动将 update_ops 添加到 tf.GraphKeys.UPDATE_OPS 中
tf.keras.layers.BatchNormalization()(input, training=True)：不会自动将 update_ops 添加到 tf.GraphKeys.UPDATE_OPS 中

当以上函数的 training 参数被设置为False时，以上函数均不会将 update_ops 添加到 tf.GraphKeys.UPDATE_OPS 中。

4. 检测批标准化函数是否将更新变量添加到了`tf.GraphKeys.UPDATE_OPS` 中

鉴于第三节中不同批标准化函数的不通特性，在利用批标准化训练时，最好检测一下批标准化的更新变量有没有被添加到tf.GraphKeys.UPDATE_OPS 中。事实上，与上一节的代码一样，只需要在图上增加以下两行命令即可：

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
print(update_ops)

"""
如果打印了以下内容，就说明批标准化的更新变量被添加到 tf.GraphKeys.UPDATE_OPS中了
[<tf.Operation 'batch_normalization/AssignMovingAvg' type=AssignSub>, <tf.Operation 'batch_normalization/AssignMovingAvg_1' type=AssignSub>]

否则，如果打印了
[]
则说明，批标准化的更新变量没有被添加到 tf.GraphKeys.UPDATE_OPS中
"""

5. 如何将 tf.keras.layers.BatchNormalization 的更新变量添加到`tf.GraphKeys.UPDATE_OPS` 中

如上所述，无论tf.keras.layers.BatchNormalization的参数 training = True 还是 training = False, 该函数都不会把”更新变量“添加到tf.GraphKeys.UPDATE_OPS 中，这会对批标准化的功效产生影响。

在应用tf.keras.layers.BatchNormalization进行批标准化时，我们可以通过以下两种方式把批标准化中的”更新变量“添加到tf.GraphKeys.UPDATE_OPS中。

方式1：定义每一层tf.keras.layers.BatchNormalization时，把函数的定义与应用分开，用函数的 .updates 功能提取当前批标准化层的”更新变量“，具体示例如下：

import tensorflow as tf

input = tf.ones([1, 2, 2, 3])

# step1: 把批标准化函数的定义与使用分开
bn_op = tf.keras.layers.BatchNormalization()
output = bn_op(input,training=True)

# step2: 用批标准化函数自带的.updates提取函数中定义的”update_ops“
bn_update_ops = bn_op.updates

# step3: 把当前层的”update_ops添加到tf.GraphKeys.UPDATE_OPS中“
tf.add_to_collection(tf.GraphKeys.UPDATE_OPS,bn_update_ops)

# step4: 提取整个网络的所有 update_ops
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
print(update_ops)

很明显，该方式在每一次使用批标准化函数时都要提取一次”update_ops“，很繁琐。有没有简单一点的方法？当然有，那就是方法2.

方式2：定义完整个网络结构后，或者定义完神经网络的整个图结构以后，用以下命令检索图中所有的”update_ops“，示例如下：

import tensorflow as tf

# step1: 定义整个神经网络的图解钩
input = tf.ones([1, 2, 2, 3])
output = tf.nn.relu(tf.keras.layers.BatchNormalization()(input,training=True))

# step2: 获取整个图的所有节点
ops = tf.get_default_graph().get_operations()

# step3: 从所有节点中筛选与批标准化有关的“update_ops”,
# 注1：AssignMovingAvg 的语义是滑动平均赋值，因为 批标准化中的均值与方差的计算方式都是 滑动平均赋值，所以在节点的命名中会包含这个说明。
#    x.type=="AssignSubVariableOp" 表示该节点的类型是“AssignSubVariableOp”--次变量赋值操作，
#                                  我的理解是，批标准化中的均值与方差不是真正的变量，算是“次变量”
#                                  所以 均值与方差的赋值节点属性是次变量赋值操作
# 注2：这里的筛选条件筛选的只是与批标准化相关的“update_ops”
bn_update_ops = [x for x in ops if ("AssignMovingAvg" in x.name and x.type=="AssignSubVariableOp")]
tf.add_to_collection(tf.GraphKeys.UPDATE_OPS,bn_update_ops)

# step4: 因为神经图网络中可能还存在其他的“update_ops”，因此再次从tf.GraphKeys.UPDATE_OPS中提取“update_ops”
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
print(update_ops)

"""
update_ops的格式是：
[[<tf.Operation 'batch_normalization/AssignMovingAvg/AssignSubVariableOp' type=AssignSubVariableOp>, <tf.Operation 'batch_normalization/AssignMovingAvg_1/AssignSubVariableOp' type=AssignSubVariableOp>]]
"""

6. 查看批标准化带来了哪几个变量

import tensorflow as tf

# step1: 定义整个神经网络的图解钩
input = tf.ones([1, 2, 2, 3])
output = tf.nn.relu(tf.keras.layers.BatchNormalization()(input,training=True))

# step2: 获取所有计算节点
ops = tf.get_default_graph().get_operations()

# step3: 筛选批标准化的计算节点“均值更新”节点与“方差更新”节点
bn_update_ops = [x for x in ops if ("AssignMovingAvg" in x.name and x.type=="AssignSubVariableOp")]
tf.add_to_collection(tf.GraphKeys.UPDATE_OPS,bn_update_ops)

# step4: 获取所有的“更新节点”并打印
update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
print("update_ops:",update_ops)

# 打印所有变量
var_list = tf.global_variables()
for v in var_list:
	print("var:",v)

with tf.Session() as sess:
	sess.run(tf.global_variables_initializer())
	saver = tf.train.Saver(var_list=tf.global_variables())
	saver.save(sess, "batch_norm_layer/Model")

"""
打印：
update_ops: [[<tf.Operation 'batch_normalization/AssignMovingAvg/AssignSubVariableOp' type=AssignSubVariableOp>, <tf.Operation 'batch_normalization/AssignMovingAvg_1/AssignSubVariableOp' type=AssignSubVariableOp>]]
var: <tf.Variable 'batch_normalization/gamma:0' shape=(3,) dtype=float32>
var: <tf.Variable 'batch_normalization/beta:0' shape=(3,) dtype=float32>
var: <tf.Variable 'batch_normalization/moving_mean:0' shape=(3,) dtype=float32>
var: <tf.Variable 'batch_normalization/moving_variance:0' shape=(3,) dtype=float32>

分析：
可见，每个批标准化操作带来：
   （1）两个滑动平均计算节点，
   （2）4个变量：gamma,beta,moving_mean,moving_variance.这4个变量是不可训练的，
               因此在保存模型的时候，var_list要设置为tf.global_variables()
               因为这些变量在推断时还需要用。
"""