tensorflow中Batch Normalization的实现

tensorflow版本1.4

tensorflow目前还没实现完全封装好的Batch Normalization的实现,这里主要试着实现一下。
关于理论可参见《 解读Batch Normalization》

对于TensorFlow下的BN的实现,首先我们列举一下需要注意的事项:

  • (1)需要自动适应卷积层(batch_size*height*width*channel)和全连接层(batch_size*channel);
  • (2)需要能够分别处理Training和Testing的情况,Training时需要更新均值和方差,Testing时使用历史滑动平均得到的均值与方差,即需要提供is_training的标志位参数;
  • (3)最好提供滑动平均系数可调;
  • (4)BN的计算量较大,尽量提高存储与运算效率;
  • (5)需要注意alpha和beta参数可以被BP更新,而均值和方差通过计算得到;
  • (6)load模型时,历史均值、方差以及alpha和beta参数需要被正常加载;

最终的实现如下:

#coding=utf-8
# util.py 用于实现一些功能函数

import tensorflow as tf

# 实现Batch Normalization
def bn_layer(x,is_training,name='BatchNorm',moving_decay=0.9,eps=1e-5):
    # 获取输入维度并判断是否匹配卷积层(4)或者全连接层(2)
    shape = x.shape
    assert 
评论 9
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