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过程？

批次标准化在测试期间的行为与训练期间不同。特别是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

你说得对，tf.nn.batch_normalization只提供了实现批量规范化的基本功能。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example以获取非常一般的实施方案，但不会使用gamma的快速版本：

  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)

张量流中的批量标准化

1 个答案: