[Paper Note] Batch normalization(未完成)

Azure Document Intelligence + Phi-3 Mini 构建高可靠PDF结构化提取系统 PDF文档结构化提取是企业级AI应用的核心基础能力,其本质是将非结构化扫描件或电子PDF转化为可编程处理的JSON数据。技术原理上需协同OCR文本识别与语言模型语义理解:前者提供带空间坐标的原始文本,后者基于领域知识完成字段映射与上下文消歧。Phi-3 mini凭借128K长上下文、4GB低显存占用和多语言技术文档预训练优势,成为Azure云内轻量级推理的理想选择;而Document Intelligence则提供高精度布局分析与合规可控的数据处理边界。该组合在发票解析、医疗报告、报关单等场景中实现99.2 阅读详情

Paper: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

Notation:

  1. Internal covariate shift: Inputs of each layer change during training, as the previous parameters change.

    This slows down the training and requires lower learning rate et careful.

  2. Covariate shift : The input distribution to a learning system change

  3. The saturated regime of non-linearity of Sigmoid activate function

Problem:

  • Internal covariate shift
  • Layers need to continuously adapt to the new distributions.

BN effects

  • Reducing internal covariate shift problem by taking few steps which dramatically accelerate the training.
  • It has a benefit on gradient flow through the network, bu reducing the the dependency of gradients on the scale of parameters and their initial values.
  • It regularizes the the models and reduces the need of Dropout
  • is make it possible to use saturating nonlinearities by preventing the network from getting stuck in the saturated nodes.
  • Using only 7% of training steps to match performance of ImageNet

Main points

-

  • BN is a transformation which applies on layer inputs x so as to normalize the distribution of mini-batch.
  • (LeCun et al., 1998b; Wiesler & Ney, 2011) proved that the network converges faster if its inputs are whitened, that means inputs are zero mean, unit variances and decorrelated, convergence could be faster
    But the full whitening is costly and no everywhere differentiable, we make two simplifications:
    • Normalize each scalar feature independently, not layer inputs and outputs jointly.
      x̂ =1N∑i=0x
      Such operation speeds up convergence, even when the features are not decorrelated. Note that simply normalizing the input layer may change what the layer can represent. To adresse this, we make sure that the transformation insert in the network can represent the identity transform by introduce paires of learnable parameters γ(k), β(k) to scale and shift the normalized value:
      yk=γ(k)x̂ (k)+β(k)

      how to make sure the network will learn to represent a identity network?
    • Since we use SGD, the normalization could be applied only on batch of data, not on the whole set. So in our case, each mini-batch produces estimates of the mean and variance of each activation.
    • -
  • 啊

Let x be a layer input, treated as a vector, and X be the set of these inputs over the training dataset, the normalization can then be written as a transformation: x̂ =Norm(x,X), that is

x̂ =1N∑i=0x

which depends not only on x itself bu also all training exemples - each of which depends on θ

在一般的神经网络中,每个网络层的输出可以作为一个n为向量,n 是神经元的个数。从BN的原理可以看出,它是对一个神经元的操作,我们可以选择对所有神经元进行BN,也可以选择只对部分神经元进行该操作。对每个被归一化的神经元,都有一个可学习的参数对(λ,β)。通常我们对所有神经元进行批量归一化。

但是在CNN中,如果每个神经元都有一个可学习的参数对,那么参数数量将急剧增加:假设输入层是一个大小为(n∗c∗p∗g)的张量,c是channel数量, n是特征图的数量,p,g是特征图的高度和宽度,那么加入BN后,参数数量增加了n∗c∗p∗g∗2个,这便太恐怖了。因此在CNN中,我们采用权值共享的方式,对每个feature map,采用同样的(λ,β), 这样参数便只有 n∗c∗2 个了。

视觉特征-自监督-同源不同crop视图一致性【2021-04】:DINOv1【全局裁剪(覆盖原图较大区域)➜教师;全局&局部(覆盖原图较小区域)裁剪➜学生】【EMA学生来构建教师】【中心化&锐化】 在本文中,我们探讨 自 监督学习是否为 Vision Transformer (ViT) [19] 提供了区别于卷积 网 络(convnets)的新特性。除了将自监督方法适配到该架构后效果尤为出色这一事实之外,我们还提出以下观察:首先,自监督ViT特征包含有关图像语义分割的显式信息,而这种信息在有监督ViT和convnets中均不会如此清晰地出现。其次,这些特征也是出色的 k-NN 分类器,使用小型 ViT 在 ImageNet 上达到78.3%的top-1准确率。 阅读详情

相关推荐

LeNet-5深度解析:从1998年经典CNN看现代深度学习设计哲学

卷积神经网络(CNN)是计算机视觉的基石架构,其核心思想——权值共享、局部感受野、空间下采样与非线性激活——早在1998年LeNet-5中就已系统成型。理解LeNet-5不仅是学习历史,更是掌握CNN设计原理的关键入口:它用仅4.5万参数实现99.2% MNIST精度,揭示了模型容量、数据分布适配(如tanh激活与[-0.1, 1.175]归一化协同)及稀疏连接对泛化能力的深层影响。该模型在嵌入式部署、小样本场景和噪声鲁棒性任务中仍具工程价值,为轻量化AI、可解释结构设计及硬件约束下的算法优化提供经典范式。

weixin_30644369的博客 392

[Paper note] PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection

paper note for PVANET

chn13的博客 706

视觉特征-自监督-同源不同crop视图一致性【2020-06】:BYOL(自举潜在表征)【在线网络+目标网络】【目标网络EMA更新】【停止梯度】【同图双视图预测一致】【无需负样本】【避免表征坍塌】

We introduce Bootstrap Your Own Latent (BYOL), a new approach to self-supervised image representation learning. BYOL relies on two neural networks, referred to as online and target networks, that interact and learn from each other. From an augmented view o

u013250861的博客 206

大模型训练和推理阶段的内存消耗估计

本文以Mixtral-8x22B为例来介绍各个阶段的内存消耗以及推理和训练时的内存消耗。

xiaoxiaoyu290的博客 2793

视觉特征-自监督-对比学习:SimCLR(在潜空间用对比损失最大化同一样本经不同数据增强所得视图间的一致性来学习表示)【Loss:对比损失函数】【同批次非同源样本作为负样本】【2020-02】

Abstract摘要本文提出了SimCLR:一个用于视觉表征对比学习的简单框架。我们简化了近期提出的对比式自监督学习算法,无需专门的架构或记忆库。为了理解是什么使对比预测任务能够学习到有用的表征,我们系统地研究了该框架的主要组成部分。我们表明:(1)数据增强的组合在定义有效预测任务中起着关键作用;(2)在表征与对比损失之间引入可学习的非线性变换,可显著提升所学习表征的质量;(3)与监督学习相比,对比学习受益于更大的批量大小和更多的训练步骤。

u013250861的博客 82

视觉特征-自监督-掩码像素预测【2021-11】:MAE【随机遮挡75%块】【编码器仅处理可见块+轻量解码器重建像素】【以MSE计算重建结果与原图差异】【高掩码率提效】

本文表明,掩码自编码器(MAE)是适用于计算机视觉的可扩展自监督学习器。我们的 MAE 方法很简单:我们对输入图像的随机图像块进行掩码,并重建缺失的像素。它基于两项核心设计。首先,我们开发了一种非对称编码器-解码器架构,其中编码器仅处理可见的图像块子集(不使用掩码 Tokens),同时配备一个轻量级解码器,根据潜在表示和掩码 Tokens 重建原始图像。其次,我们发现,对输入图像进行高比例掩码,例如 75%,能够产生一项非平凡且有意义的自监督任务。

u013250861的博客 163

深度学习:transformer模型

Google于2017年6月发布在arxiv上的一篇文章《Attention is all you need》,提出解决sequence to sequence问题的transformer模型,用全attention的结构代替了lstm,抛弃了之前传统的encoder-decoder模型必须结合cnn或者rnn的固有模式,只用attention,可谓大道至简。文章的主要目的是在减少...

皮皮blog 6万+

视觉特征-自监督-掩码像素预测【2021-11】:SimMIM【一种用于掩码图像建模的简单框架】

¹ 清华大学²微软亚洲研究院⁸ 西安交通大学Abstract摘要本文提出了SimMIM,一个用于掩码图像建模的简单框架。我们简化了最近提出的相关方法,无需采用特殊设计,例如按块掩码以及通过离散VAE或聚类进行 tokenization。为了研究是什么使掩码图像建模任务能够学习到良好的表征,我们系统地研究了框架中的主要组件,并发现每个组件的简单设计都展现出非常强的表征学习性能:1)以适度较大的掩码 patch大小(例如32)对输入图像进行随机掩码,可构成一个强大的 pre-text 任务;

u013250861的博客 90

ViT:An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

尽管 Transformer 架构已成为自然语言处理任务事实上的标准,但其在计算机视觉中的应用仍然有限。在视觉领域,注意力机制要么与卷积网络结合应用,要么用于替代卷积网络的某些组件,同时保留其整体结构。我们表明,这种对 CNN 的依赖并非必要,直接应用于图像块序列的纯 Transformer 在图像分类任务上也能表现出色。

u013250861的博客 79

Sparsh:用于基于视觉的触觉感知的自监督触觉表征【传感器:带标记点的 GelSight 2017、无标记点的 DIGIT】

t​⊕It−5​→x∈Rh×w×6tt−2t−4t−6∈R4×h×w×3t​∈Rh×w×3t​∈SE3). Tt​tt−1​≜ΔxΔy˙​Δθ∈SE2ˉ2∘0.5∘1.0∘to1.0∘2.0∘zt−1​zt​qt−1​qt​≜Δqt​Δqt1​...;Δq∈R7。

u013250861的博客 103

视觉特征-自监督-掩码特征预测【2023-01】:I-JEPA【单上下文块编码器取可见特征;窄预测器接特征和多个目标块位置标记在特征空间算L2损失;目标编码器由上下文权重指数移动平均更新】

Abstract摘要本文展示了一种无需依赖手工设计的数据增强即可学习高度语义化图像表示的方法。我们提出了基于图像的联合 Embedding 预测架构(Imagebased Joint-Embedding Predictive Architecture,I-JEPA),这是一种用于从图像进行自监督学习的非生成式方法。I-JEPA背后的理念很简单:从单个上下文块中,预测同一图像中多个目标块的表示。引导I-JEPA生成语义表示的核心设计选择是掩码策略;

u013250861的博客 67

Context Encoders: Feature Learning by Inpainting 上下文编码器:通过图像修复进行特征学习

加州大学伯克利分校Abstract摘要我们提出了一种由基于上下文的像素预测驱动的无监督视觉特征学习算法。类比于自动编码器,我们提出了 Context Encoders——一种卷积神经网络,其训练目标是根据任意图像区域周围的环境生成该区域的内容。为了成功完成这一任务,context encoders 不仅需要理解整幅图像的内容,还需要为缺失部分生成一个合理的假设。在训练 context encoders 时,我们同时尝试了标准的逐像素重建损失,以及重建损失加对抗损失。

u013250861的博客 135

视觉特征-自监督-同源不同crop视图一致性【2023-04】:DINOv2(无监督学习鲁棒视觉特征)【12 亿张互不重复的图像】【判别式自监督方法】【交叉熵损失+iBOT损失】

近期,自然语言处理领域在大量数据上进行模型 Pretraining 取得的突破,为计算机视觉中类似Foundation Model 的发展开辟了道路。这些模型能够生成通用视觉特征,即无需微调即可跨图像分布和任务发挥作用的特征,从而大幅简化图像在任何系统中的使用。本研究表明,现有的 Pretraining 方法,尤其是自监督方法,如果在来自多样化来源的充足精选数据上进行训练,便能够产生此类特征。我们重新审视了现有方法,并结合不同技术,从数据规模和模型规模两方面扩展我们的 Pretraining。

u013250861的博客 365

High-Resolution Image Synthesis with Latent Diffusion Models 基于潜在扩散模型的高分辨率图像合成

Robin Rombach 1 * Andreas Blattmann1 * Dominik Lorenz 1 Patrick Esser ® Björn Ommer 1 1 Ludwig Maximilian University of Munich & IWR, Heidelberg University, Germany ° Runway ML慕尼黑路德维希-马克西米利安大学 & 德国海德堡大学 IWR ° Runway MLhttps://github.com/CompVis/latent-diff

u013250861的博客 137

视觉特征-自监督-掩码特征预测【2024-10】:D-JEPA【生成模型:下一Token组自回归预测(组内并行去噪),自回归合成图像】【JEPA、Diffusion损失均针对Mask处Token计算】

Dengsheng Chen1 Jie Hu2 Xiaoming Wei1 Enhua Wu2∗1Meituan 2Key Laboratory of System Software (Chinese Academy of Sciences) and State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences {chendengsheng, weixiaoming}@meituan.

u013250861的博客 181

CV-骨架02:Swin Transformer V2: Scaling Up Capacity and Resolution【2021-11】

Ze Liu* Han Hu*† Yutong Lin Zhuliang Yao Zhenda Xie Yixuan Wei Jia Ning Yue Cao Zheng Zhang Li Dong Furu Wei Baining Guo Microsoft Research Asia{v-zeliu1,hanhu,t-yutonglin,t-zhuyao,t-zhxie,t-yixuanwei,v-jianing}@microsoft.com {yuecao,zhez,lidong1,fuwei,bai

u013250861的博客 80

High-Resolution Image Synthesis with Latent Diffusion Models # 基于潜在扩散模型的高分辨率图像合成

Robin Rombach 1 * Andreas Blattmann1 * Dominik Lorenz 1 Patrick Esser ® Björn Ommer 1 1 Ludwig Maximilian University of Munich & IWR, Heidelberg University, Germany ° Runway ML慕尼黑路德维希-马克西米利安大学 & 德国海德堡大学 IWR ° Runway MLhttps://github.com/CompVis/latent-diff

u013250861的博客 83

【十万字拆解】从零开始实现GPT-2(完整版)

本文是一篇 14 万字、从零硬核实现 GPT 的保姆级指南。内容全面覆盖四个阶段:①从最基础的 Bigram 语言模型切入,跑通数据处理与训练闭环;②仿照 Transformer 架构,深度研究 Multi-Head Attention、残差网络、LayerNorm 及 Dropout 的底层数学与代码实现;③从零构建BPE 分词器,对齐 GPT-2 规范;④从头搭建 GPT-1/2 工业级预训练流程,包含混合精度、梯度累积等十余项硬件级工程调优,并在 AutoDL 算力平台上从0开始训练!适合所有层次!

Pi_Nick的博客 1225
上一篇: 金风科技:风电数字化
下一篇: Triplet Loss(未开始)
zhwli
博客等级 码龄9年 21粉丝 51原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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