tensorflow-BatchNormalization（tf.nn.moments及tf.nn.batch_normalization）

批标准化

• 批标准化（batch normalization，BN）一般用在激活函数之前，使结果$x=Wx+b$ 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）