Question

文档并非100％明确：

注意：训练时，需要更新moving_mean和moving_variance。默认情况下，更新操作位于tf.GraphKeys.UPDATE_OPS中，因此需要将它们作为依赖项添加到train_op。例如：

（见https://www.tensorflow.org/api_docs/python/tf/layers/batch_normalization）

这是否意味着保存moving_mean和moving_variance所需的全部内容如下所示？

def model_fn(features, labels, mode, params):
   training = mode == tf.estimator.ModeKeys.TRAIN
   extra_update_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)

   x = tf.reshape(features, [-1, 64, 64, 3])
   x = tf.layers.batch_normalization(x, training=training)

   # ...

  with tf.control_dependencies(extra_update_ops):
     train_op = optimizer.minimize(loss=loss, global_step=tf.train.get_global_step())

换句话说，只需使用

with tf.control_dependencies(extra_update_ops):

注意保存moving_mean和moving_variance？

Answer 1

是的，添加这些控件依赖项将保存均值和方差。

Answer 2

事实证明，这些值可以自动保存。边缘情况是，如果在将批量标准化操作添加到图形之前获得更新操作集合，则更新集合将为空。以前没有记录，但现在。

使用batch_norm时的警告是在您调用tf.get_collection(tf.GraphKeys.UPDATE_OPS)后致电tf.layers.batch_normalization。

更新batch_normalization意味着＆amp;使用Estimator API进行差异

2 个答案: