tf.layers.batch_normalization中"可训练"和"训练"标志的重要性

Question

tf.layers.batch_normalization中"可训练"和"训练"标志的意义是什么？在训练和预测期间,这两者有何不同？

Answer 1

批处理规范分为两个阶段：

1. Training:
   -  Normalize layer activations using `moving_avg`, `moving_var`, `beta` and `gamma` 
     (`training`* should be `True`.)
   -  update the `moving_avg` and `moving_var` statistics. 
     (`trainable` should be `True`)
2. Inference:
   -  Normalize layer activations using `beta` and `gamma`.
      (`training` should be `False`)

示例代码说明了几种情况：

#random image
img = np.random.randint(0,10,(2,2,4)).astype(np.float32)

# batch norm params initialized
beta = np.ones((4)).astype(np.float32)*1 # all ones 
gamma = np.ones((4)).astype(np.float32)*2 # all twos
moving_mean = np.zeros((4)).astype(np.float32) # all zeros
moving_var = np.ones((4)).astype(np.float32) # all ones

#Placeholders for input image
_input = tf.placeholder(tf.float32, shape=(1,2,2,4), name='input')

#batch Norm
out = tf.layers.batch_normalization(
       _input,
       beta_initializer=tf.constant_initializer(beta),
       gamma_initializer=tf.constant_initializer(gamma),
       moving_mean_initializer=tf.constant_initializer(moving_mean),
       moving_variance_initializer=tf.constant_initializer(moving_var),
       training=False, trainable=False)


update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)
init_op = tf.global_variables_initializer()

 ## 2. Run the graph in a session 

 with tf.Session() as sess:

    # init the variables   
    sess.run(init_op)

    for i in range(2):
        ops, o = sess.run([update_ops, out], feed_dict={_input: np.expand_dims(img, 0)})
        print('beta', sess.run('batch_normalization/beta:0'))
        print('gamma', sess.run('batch_normalization/gamma:0'))
        print('moving_avg',sess.run('batch_normalization/moving_mean:0'))
        print('moving_variance',sess.run('batch_normalization/moving_variance:0'))
        print('out', np.round(o))
        print('')

何时training=False和trainable=False：

  img = [[[4., 5., 9., 0.]...
  out = [[ 9. 11. 19.  1.]... 
  The activation is scaled/shifted using gamma and beta.

何时training=True和trainable=False：

  out = [[ 2.  2.  3. -1.] ...
  The activation is normalized using `moving_avg`, `moving_var`, `gamma` and `beta`. 
  The averages are not updated.

何时traning=True和trainable=True：

  The out is same as above, but the `moving_avg` and `moving_var` gets updated to new values.

  moving_avg [0.03249997 0.03499997 0.06499994 0.02749997]
  moving_variance [1.0791667 1.1266665 1.0999999 1.0925]

Answer 2

这是相当复杂的。在 TF 2.0 中，行为发生了变化，请参见：

https://github.com/tensorflow/tensorflow/blob/095272a4dd259e8acd3bc18e9eb5225e7a4d7476/tensorflow/python/keras/layers/normalization_v2.py#L26

关于设置layer.trainable = False一个上BatchNormalization层：

setting 的意思layer.trainable = False是冻结层，即在训练过程中它的内部状态不会改变：
它的可训练权重不会在fit()或 期间更新train_on_batch()，并且它的状态更新不会被运行。通常，这并不一定意味着层以推理
模式运行（通常由training调用层时可以传递的参数控制）。“冻结状态”和“推理模式”
是两个独立的概念。

但是，在BatchNormalization层的情况下，在层上设置
trainable = False意味着该层将
随后以推理模式运行（意味着它将使用移动均值和移动方差对当前批次进行归一化，
而不是使用均值和方差当前批次）。此行为已在 TensorFlow 2.0 中引入，以便能够 layer.trainable = False在 convnet 微调用例中产生最常见的预期行为。注意：

• 此行为仅从 TensorFlow 2.0 开始发生。在 1.* 中，设置layer.trainable = False会冻结图层但不会将其切换到推理模式。
• trainable在包含其他层的模型上设置将递归设置trainable所有内部层的值。
• 如果trainable 在调用compile()模型后更改了属性值，则新值不会对该模型生效，直到compile()再次调用。