关于归一化的讲解的博客——【深度学习】Batch Normalization（批归一化）
tensorflow实现代码在这个博客——【超分辨率】TensorFlow中批归一化的实现——tf.layers.batch_normalization()函数
tf.nn.batch_normalization()函数用于执行批归一化。
# 用于最中执行batch normalization的函数
tf.nn.batch_normalization(
x,
mean,
variance,
offset,
scale,
variance_epsilon,
name=None
)
1
2
3
4
5
6
7
8
9
10
参数：
x是input输入样本
mean是样本均值
variance是样本方差
offset是样本偏移(相加一个转化值)
scale是缩放（默认为1）
variance_epsilon是为了避免分母为0，添加的一个极小值
输出的计算公式为：
y=scale∗(x−mean)/var+offset y = scale * (x - mean) / var + offset
y=scale∗(x−mean)/var+offset
这里安利一个简单讲述batch normalization的文章，还有相应的代码，通俗易懂。
tensorflow-BatchNormalization（tf.nn.moments及tf.nn.batch_normalization）
————————————————
原文链接：https://blog.csdn.net/TeFuirnever/article/details/88911995
批标准化
批标准化（batch normalization，BN）一般用在激活函数之前，使结果x=Wx+bx=Wx+b 各个维度均值为0，方差为1。通过规范化让激活函数分布在线性区间，让每一层的输入有一个稳定的分布会有利于网络的训练。
优点：
加大探索步长，加快收敛速度。
更容易跳出局部极小。
破坏原来的数据分布，一定程度上防止过拟合。
解决收敛速度慢和梯度爆炸。
tensorflow相应API
mean, variance = tf.nn.moments(x, axes, name=None, keep_dims=False)
计算统计矩，mean 是一阶矩即均值，variance 则是二阶中心矩即方差，axes=[0]表示按列计算；
tf.nn.batch_normalization(x, mean, variance, offset, scale, variance_epsilon, name=None)
tf.nn.batch_norm_with_global_normalization(x, mean, variance, beta, gamma, variance_epsilon, scale_after_normalization, name=None)；
tf.nn.moments 计算返回的 mean 和 variance 作为 tf.nn.batch_normalization 参数调用；
tensorflow及python实现
import tensorflow as tf
W = tf.constant([[-2.,12.,6.],[3.,2.,8.]], )
mean,var = tf.nn.moments(W, axes = [0])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
resultMean = sess.run(mean)
print(resultMean)
resultVar = sess.run(var)
print(resultVar)
[ 0.5 7. 7. ] [ 6.25 25. 1. ]
计算每个列的均值及方差。
size = 3 scale = tf.Variable(tf.ones([size])) shift = tf.Variable(tf.zeros([size])) epsilon = 0.001 W = tf.nn.batch_normalization(W, mean, var, shift, scale, epsilon) #参考下图BN的公式，相当于进行如下计算 #W = (W - mean) / tf.sqrt(var + 0.001) #W = W * scale + shift
with tf.Session() as sess:
#必须要加这句不然执行多次sess会报错
sess.run(tf.global_variables_initializer())
resultW = sess.run(W)
print(resultW)
#观察初始W第二列 12>2 返回BN的W值第二列第二行是负的，其余两列相反
[[-0.99992001 0.99997997 -0.99950027] [ 0.99991995 -0.99997997 0.99950027]]
Bug
Attempting to use uninitialized value Variable_8：
#运行sess.run之前必须要加这句不然执行多次sess会报错 sess.run(tf.global_variables_initializer())
参考
深度学习Deep Learning（05）：Batch Normalization(BN)批标准化
谈谈Tensorflow的Batch Normalization
tensorflow 的 Batch Normalization 实现（tf.nn.moments、tf.nn.batch_normalization）
————————————————
原文链接：https://blog.csdn.net/eclipsesy/article/details/77597965
tensorflow 在实现 Batch Normalization（各个网络层输出的归一化）时，主要用到以下两个 api：
tf.nn.moments(x, axes, name=None, keep_dims=False) ⇒ mean, variance：
统计矩，mean 是一阶矩，variance 则是二阶中心矩
tf.nn.batch_normalization(x, mean, variance, offset, scale, variance_epsilon, name=None)
https://www.tensorflow.org/api_docs/python/tf/nn/batch_normalization
γ⋅x−μσ+β gammacdotfrac{x-mu}{sigma}+eta
γ 表示 scale 缩放因子，β etaβ 表示偏移量；
tf.nn.batch_norm_with_global_normalization(t, m, v, beta, gamma, variance_epsilon, scale_after_normalization, name=None)
由函数接口可知，tf.nn.moments 计算返回的 mean 和 variance 作为 tf.nn.batch_normalization 参数进一步调用；
1. tf.nn.moments，矩
tf.nn.moments 返回的 mean 表示一阶矩，variance 则是二阶中心矩；
如我们需计算的 tensor 的 shape 为一个四元组 [batch_size, height, width, kernels]，一个示例程序如下：
import tensorflow as tf shape = [128, 32, 32, 64] a = tf.Variable(tf.random_normal(shape)) # a：activations axis = list(range(len(shape)-1)) # len(x.get_shape()) a_mean, a_var = tf.nn.moments(a, axis)
这里我们仅给出 a_mean, a_var 的维度信息，
sess = tf.Session() sess.run(tf.global_variables_initalizer()) sess.run(a_mean).shape # (64, ) sess.run(a_var).shape # (64, ) ⇒ 也即是以 kernels 为单位，batch 中的全部样本的均值与方差
2. demo
def batch_norm(x):
epsilon = 1e-3
batch_mean, batch_var = tf.nn.moments(x, [0])
return tf.nn.batch_normalization(x, batch_mean, batch_var,
offset=None, scale=None,
variance_epsilon=epsilon)
references
<a href=“http://www.jianshu.com/p/0312e04e4e83”, target="_blank">谈谈Tensorflow的Batch Normalization
————————————————
原文链接：https://blog.csdn.net/lanchunhui/article/details/70792458