tensorflow中的batch_normalization实现-优快云博客

本文详细介绍了在TensorFlow中实现批量归一化的两个主要函数：tf.nn.moments和tf.nn.batch_normalization。首先，通过tf.nn.moments计算输入数据的均值和方差，然后使用这些值进行tf.nn.batch_normalization，完成数据的批量归一化处理。文章通过具体代码示例展示了这一过程。

　　tensorflow中实现batch_normalization的函数主要有两个：

　　　　1）tf.nn.moments

　　　　2）tf.nn.batch_normalization

　　tf.nn.moments主要是用来计算均值mean和方差variance的值，这两个值被用在之后的tf.nn.batch_normalization中

　　tf.nn.moments(x, axis,...)

　　主要有两个参数：输入的batchs数据；进行求均值和方差的维度axis，axis的值是一个列表，可以传入多个维度

　　返回值：mean和variance

　　tf.nn.batch_normalization(x, mean, variance, offset, scala, variance_epsilon)

　　主要参数：输入的batchs数据；mean；variance；offset和scala，这两个参数是要学习的参数，所以只要给出初始值，一般offset=0，scala=1；variance_epsilon是为了保证variance为0时，除法仍然可行，设置为一个较小的值即可

　　输出：bn处理后的数据

　　具体代码如下：　　　　

import tensorflow as tf
import numpy as np


X = tf.constant(np.random.uniform(1, 10, size=(3, 3)), dtype=tf.float32)
axis = list(range(len(X.get_shape()) - 1))
mean, variance = tf.nn.moments(X, axis)
print(axis)

X_batch = tf.nn.batch_normalization(X, mean, variance, 0, 1, 0.001)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    mean, variance, X_batch = sess.run([mean, variance, X_batch])
    print(mean)
    print(variance)
    print(X_batch)

输出：

axis: [0]
mean: [5.124098 3.0998185 4.723417 ]
variance: [3.7908943 1.7062012 3.8243492]
X_batch: [[-0.32879925 -1.3645337 0.39226937]
　　　　　　[-1.0266179 0.36186576 -1.3726556 ]
　　　　　　[ 1.355417 1.0026684 0.98038626]]

转载于:https://www.cnblogs.com/jiangxinyang/p/9394353.html