batchnorm BN无法更新保存参数 moving_mean/variance

最新推荐文章于 2023-05-03 14:51:46 发布

文草汇的三色堇

最新推荐文章于 2023-05-03 14:51:46 发布

阅读量3.6k

点赞数 1

本文链接：https://blog.youkuaiyun.com/qq_35556369/article/details/102779775

版权

本文针对在复现ResNetV2时遇到的BN保存问题，提供了解决方案，包括添加特定代码以保存BN参数，建议多轮训练及区分训练与验证阶段的参数设置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在复现resnetv2的时候遇到了BN保存的问题，直接导致的结果就是训练集收敛很快，测试集准确率上升缓慢甚至上不去。查解决方案的时候看到网上也同样有不少同道中人，如果你试了很多方法还不管用，建议你试试本文所述的。

1.官方提示你可以点进batchnorm查看，它说让添加如下代码来保存BN参数：

update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
    with tf.control_dependencies(update_ops):
	    train_op = opt.minimize(loss, global_step=global_step)

2.如果添加了该部分代码仍然存在之前的现象，建议多跑几轮，因为：

# Note: the validation error is erratic in the beginning (Maybe 2~3k steps).
# This does NOT imply the batch normalization is buggy.
# On the contrary, it's BN's dynamics: moving_mean/variance are not estimated that well in the beginning.

3.如果你是调成is_train=True结果正常，而false就不正常，建议创建2个graph，一个用于训练，一个用于验证。部分网络还有reuse的参数，正确的设置方法应该是在训练的时候is_train=true, reuse=false; 在跑验证集的时候, is_train=false, reuse=true; 在跑测试集的时候, is_train=false, reuse=false。