Batch Normalization原理与优点总结

1. 引言

    随着深度学习的发展,神经网络的模型的深度越来越大,虽然可以提取到数据中更加深层的特征信息,但是,也容易引起梯度消失或梯度爆炸等问题。当使用SGD优化函数时,我们经常会遇到以下两个问题:

  • 模型对参数初始化方式、学习率的设置特别敏感。
  • 随着网络深度的加深,参数的微小变动都会不断被放大。

    为了解决这两个问题,Sergey Ioffe等人在《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》 一文提出了Batch Normalization,本文将基于该文章,对Batch Normalization的原理进行解析,并对其优点进行总结和归纳。

2. Batch Normalization

2.1 mini-batch Normalization

    在介绍Batch Normalization的思想之前,先明确一个概念,即作者在文中提出的Internal Covariate Shift,其意思是:在训练过程中,深层网络内部节点分布的变化称为Internal Covariate Shift。

    假设某一层的输入为\mathrm { x } = \left( x ^ { ( 1 ) } \ldots x ^ { ( d ) } \right),其中d表示输入的维度,则对每一维进行标准化,有:

                                                                             \widehat { x } ^ { ( k ) } = \frac { x ^ { ( k ) } - \mathrm { E } \left[ x ^ { ( k ) } \right] } { \sqrt { \operatorname { Var } \left[ x ^ { ( k ) } \right] } }

其中,E \left[ x ^ { ( k ) } \right]

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