关于tensorflow 的 batch_norm问题

本文探讨了BatchNorm在深度学习模型中的作用,尤其是在训练初期的warmup阶段。介绍了moving average参数renorm_decay对BatchNorm效果的影响,以及在训练与测试阶段mean和variance的不同计算方式。

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

1.一个小哥说用batch norm要非常耐心的等待他warm up,这才想到moving average的计算方式是以一个参数renorm_decay来 计算滑动平均的,这个值的默认值是0.99,如果训练的轮次太少,moving_average还保持在一个和初始值很接近的值,远远没有收敛,导致预测时结果错误

2.我在模型中用到了slim的batchnorm。大家都知道batch_norm有两个重要的值,一个是mean,一个是variance。这两个值在训练时,是这个batch的输出的均值和方差;在测试时是整个训练过程中每个batch的mean和variance的moving average

 

参考网址:

https://zhuanlan.zhihu.com/p/41117510

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