张量流中的批量标准化

Question

我注意到api中已有批量规范化函数用于tensorflow.但我不明白的一件事是如何改变训练和测试之间的程序？

批量标准化在测试期间的行为与训练期间不同.具体而言,在训练期间使用固定的均值和方差.

某处有一些很好的示例代码吗？我看到了一些,但是使用范围变量会让人感到困惑

Answer 1

你是对的,它tf.nn.batch_normalization提供了实现批量标准化的基本功能.您必须添加额外的逻辑以跟踪训练期间的移动方式和差异,并在推理期间使用训练的均值和方差.您可以查看此示例以获得非常通用的实现,但是不使用的快速版本gamma在此处:

  beta = tf.Variable(tf.zeros(shape), name='beta')
  moving_mean = tf.Variable(tf.zeros(shape), name='moving_mean',
                                 trainable=False)
  moving_variance = tf.Variable(tf.ones(shape),
                                     name='moving_variance',
                                     trainable=False)
  control_inputs = []
  if is_training:
    mean, variance = tf.nn.moments(image, [0, 1, 2])
    update_moving_mean = moving_averages.assign_moving_average(
        moving_mean, mean, self.decay)
    update_moving_variance = moving_averages.assign_moving_average(
        moving_variance, variance, self.decay)
    control_inputs = [update_moving_mean, update_moving_variance]
  else:
    mean = moving_mean
    variance = moving_variance
  with tf.control_dependencies(control_inputs):
    return tf.nn.batch_normalization(
        image, mean=mean, variance=variance, offset=beta,
        scale=None, variance_epsilon=0.001)