BN“批规范化”深度学习5层网络源码,如何1行提高训练速率准确率
卷首语：首先，笔者在这里祝大家新年快乐！！！今天我们来探究的问题是BN层在TensorFlow中的实现，以实践为主，理论方面会跳过一些不易被理解的部门，让大家可以快速搭建并投入利用。
在文章的末了我也会给出相应的效果对比，夷由要不要学习的读者可以先看看末了在做决定～
在训练模子时，我们常常会在一些需要调整的参数上浪费时间：学习率，学习衰减率，正则……
况且即便我们调整了很多次参数，也未必见得可以提高模子的训练效果，乃至还有可能产生梯度消失等等一系列令人头疼的问题。
但是，这种现象在Inception-v2中就已经发生了改变。在Inception模子升级时引入了一种新的网络层“Batch Normalization”
https://p1.pstatp.com/large/66a600050df6ebaa5966
比较官方的公式，不懂的读者可以直接忽略
为了降低学习难度，笔者在这里给出一个精简的公式：
https://p1.pstatp.com/large/66aa000183685aba0b3a
BN公式
下面，让我们对公式逐一地进行分解（注：有微积分基础的读者想必就不用我多说了，可以跳过理论这段）
均值与方差
均值（mean）：
首先，让我们假设一数组：X =
mean = 数组和/数量
mean = （1+2+3+4+5）/5
mean = 3
方差（variance）：
让我们继承利用上一数组X
variance = （X12+ X22+…+ Xn2）/ n
variance = （12+ 22 + 32 + 42 + 52）/ 5
variance = （1 + 4 + 9 + 1 6 + 2 5 ）/ 5
variance = 45 / 5
variance = 9
在TensorFlow中，该公式内的“均值”与“方差”可通过tf.nn.moments()函数来盘算
内部参数
x:输入进行盘算的张量
axes:需要盘算的维度
name:命名
keep_dims:是否保持维度
https://p9.pstatp.com/large/66a600050df80c544276
TensorFlow实现
缩放与偏移
在公式中，我们可以将“缩放”与“偏移”理解为两组可被训练的Weights
缩放（scale）：
在定义scale时一般初始化为0，维度必须和mean的一致
https://p3.pstatp.com/large/66ac00006b8da92c057d
TensorFlow实现
偏移（offset）：
定义offset的情况和scale基本一致，但要注意的是offset一般情况下初始化为1
https://p1.pstatp.com/large/66a90001b044fae3947e
TensorFlow实现
按照上面所讲的，公式中的内容我们已经解析完全，接下来我们只需要套用一个现成的函数：
https://p1.pstatp.com/large/66ab00011eb862dbcf94
TensorFlow实现
神来一笔：Variance_epsilon
在上面的函数中，我们将“输入”“均值”“方差”“偏移”“缩放”都添加了进去，末了还有个参数：variance_epsilon = 0.001
这个参数的作用在官方表明为：A small float number to avoid dividing by 0.
大概的意思就是需设定一个浮点数用来避免除以0产生的梯度爆炸
虽然在方差被除等于零是几率很小的事，可在几十层乃至几百层的神经网络里，盘算量也要大的惊人，根据墨菲定律：会出错的事总会出错
滑动平均与滑动方差
注：BN层在训练与测试时所用的滑动平均和滑动方差差别
申请滑动平均与滑动方差（这里就应该不用我多叙述了，纯基础范围，不太理解的可以去找一下关于滑动平均的博文）：
https://p3.pstatp.com/large/66ab00011ebaa36da0b4
TensorFlow实现
盘算滑动平均与滑动方差：
https://p1.pstatp.com/large/66aa0001836ad32d4653
TensorFlow实现
存储优化参数：
https://p1.pstatp.com/large/66a90001b045540486eb
TensorFlow实现
https://p1.pstatp.com/large/66ac00006b9065be08bd
TensorFlow实现
云云一来，在进行网络训练时，将is_training设为True;测试网络时设为False即可。
精简代码
在前文中我们写了很多行代码才实现了BN层的基本功能。
但是，我们完全可以用一行代码进行！
下面三种函数都可以实现BN层，因为都是封装好的函数，有兴趣的读者完全可以自行测试。
https://p1.pstatp.com/large/66aa0001836bcb0296e2
TensorFlow实现
末了，让我们对比一下有无BN层的效果：
笔者为了让效果看起来更明显，基础学习率设定成了0.99，在现实的训练过程中请根据情况适当修改。
关于BN算法，笔者直接采用Slim封装好的Batch_norm（）函数。
对比模子是一个五层的卷积网络，在MNIST数据集上进行迭代1000次训练。
https://p1.pstatp.com/large/66ac00006b92ca0502c2
损失函数，优化函数以及训练过程
https://p3.pstatp.com/large/66aa0001836eeaaefeab
全毗连层
https://p1.pstatp.com/large/66a700050215d00f24d4
参加了BN算法的五层CNN模子，我在这里利用的是Slim工具包封装好的Batch_norm函数
https://p1.pstatp.com/large/66a600050dfb0c9b289a
参加了BN算法的训练效果
接下来，我们将全部的slim.batch_norm进行删除，训练效果如下
https://p3.pstatp.com/large/66aa0001836d50771ad1
不添加BN算法的训练效果
可以看出添加了BN算法的模子不论是学习速率照旧稳固性都要高于不添加BN算法的模子。
但要明白，现在只采用MNIST数据集，有兴趣的读者大可在自己的模子中添加BN层，在Cifar-10等数据集上的效果会更佳明显一些。
卷尾语：我爱学习学习爱我...笔者这个新年过的...啧...一言难尽，肯定要注意食量啊注意食量！！！
末了，假如需要代码大概想跟小编接洽，一起讨论学习。欢迎大家在下方批评进行留言，喜欢记得添加关注哦！！！、
https://p1.pstatp.com/large/434e000122f613962eff
页:
[1]