深度学习——批量归一化（笔记）

主流的卷积网络基本都设计批量归一化这个层

1.为什么要批量归一化？

 ①网络层很深，数据在底层，损失函数在最顶层。反向传播后，顶层的梯度大，所以顶层训练的较快。数据在底层，底层的梯度小，底层训练的慢。（学习率不变）

②数据在最底部，底部层的训练较慢。

Ⅰ底部层一变化，所有的层都要跟着变化

Ⅱ顶部的层需要重新学习很多次

Ⅲ导致收敛变慢

③批量归一化可以在学习底部层的时候避免变化顶部层。

2.批量归一化的思想：

①固定小批量里面的均值和方差（因为方差和均值的分布在不同的层有变化 ）

 ②可学习参数：如果均值为0，方差为1的分布不是很适合的话，可以学习一个均值和方差使得对网络更好一些。

 

3.批量归一化层

①可学习的参数γ和β

②作用在：

Ⅰ全连接层和卷积层输出之后，（批量归一化层这里：线性变换，均值方差拉的比较好）激活函数之前

Ⅱ全连接层和卷积层的输入上

③对全连接层，作用在特征维 （ 二维的输入，每一行就是样本，每一列就是特征。全连接层对每一个特征计算标量的均值和方差。不一样的是每一个全连接层的输入和输出都做这件事，不只是做在数据上面。而是重新用学到的γ和β，对方差和均值做校验）

④对卷积层，作用在通道维（1*1卷积等价于全连接层，对于每一个像素有多通道。比如有一个像素对应通道是100，这个像素有100维的向量。向量就是这个像素的特征。所以在输入的时候，每一个像素就是一个样本。

卷积层输入：批量大小*高*宽*通道数  样本数：批量大小*高*宽。所以就是所有的像素当作样本，一个像素对应的所有通道当作特征）

 4.批量归一化的作用是什么

①最初的论文减少内部协变量的转移

②后续论文，通过每个小批量里加入噪音控制模型复杂度

 加入随机偏移和方差，然后通过学到的稳定的均值方差，使得变化不剧烈

③没必要和丢弃法一起

【总结】

①批量归一化固定小批量中的均值和方差，然后学习出适合偏移和缩放

②可以加速收敛速度，学习率可以变大，但一般不改变模型的精度

【代码实现】

import torch
from torch import nn
from d2l import torch as d2l


# X是输入 ，gamma-beta可学习参数，moving_mean，moving_var全局的均值和方差，是在预测的时候使用，eps避免分母出现0，momentum更新移动的平均和方差通常取0.9
def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):
    # 通过is_grad_enabled来判断当前模式是训练模式还是预测模式
    if not torch.is_grad_enabled():
        # 如果是在预测模式下，直接使用传入的移动平均所得的均值和方差
        X_hat = (X - moving_mean) / torch.sqrt(moving_var + eps)
    else:  # 训练模式下
        assert len(X.shape) in (2, 4)  # 2是全连接层（两个维度，batch和全连接层的大小） 4是卷积层（batch，通道数，高，宽）
        if len(X.shape) == 2:
            # 使用全连接层的情况，计算特征维上的均值和方差
            mean = X.mean(dim=0)  # 按行求出来 对同一列元素求均值
            var = ((X - mean) ** 2).mean(dim=0)  # 方差
        else:
            # 使用二维卷积层的情况，计算通道维上（axis=1）的均值和方差。
            # 这里我们需要保持X的形状以便后面可以做广播运算
            mean = X.mean(dim=(0, 2, 3), keepdim=True)  # 按通道数求均值
            var = ((X - mean) ** 2).mean(dim=(0, 2, 3), keepdim=True)  # 按通道数求方差
        # 训练模式下，用当前的均值和方差做标准化
        X_hat = (X - mean) / torch.sqrt(var + eps)
        # 更新移动平均的均值和方差
        moving_mean = momentum * moving_mean + (1.0 - momentum) * mean
        moving_var = momentum * moving_var + (1.0 - momentum) * var
    Y = gamma * X_hat + beta  # 缩放和移位
    return Y, moving_mean.data, moving_var.data


class BatchNorm(nn.Module):
    # num_features：完全连接层的输出数量或卷积层的输出通道数。
    # num_dims：2表示完全连接层，4表示卷积层
    def __init__(self, num_features, num_dims):
        super().__init__()
        if num_dims == 2:
            shape = (1, num_features)
        else:
            shape = (1, num_features, 1, 1)
        # 参与求梯度和迭代的拉伸和偏移参数，分别初始化成1和0
        self.gamma = nn.Parameter(torch.ones(shape))
        self.beta = nn.Parameter(torch.zeros(shape))
        # 非模型参数的变量初始化为0和1
        self.moving_mean = torch.zeros(shape)
        self.moving_var = torch.ones(shape)

    def forward(self, X):
        # 如果X不在内存上，将moving_mean和moving_var
        # 复制到X所在显存上
        if self.moving_mean.device != X.device:
            self.moving_mean = self.moving_mean.to(X.device)
            self.moving_var = self.moving_var.to(X.device)
        # 保存更新过的moving_mean和moving_var
        Y, self.moving_mean, self.moving_var = batch_norm(
            X, self.gamma, self.beta, self.moving_mean,
            self.moving_var, eps=1e-5, momentum=0.9)
        return Y


# 应用 LeNet模型
net = nn.Sequential(
    nn.Conv2d(1, 6, kernel_size=5), BatchNorm(6, num_dims=4), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Conv2d(6, 16, kernel_size=5), BatchNorm(16, num_dims=4), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),
    nn.Linear(16 * 4 * 4, 120), BatchNorm(120, num_dims=2), nn.Sigmoid(),
    nn.Linear(120, 84), BatchNorm(84, num_dims=2), nn.Sigmoid(),
    nn.Linear(84, 10))

# 训练
lr, num_epochs, batch_size = 1.0, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
d2l.plt.show()

简易实现

import torch
from torch import nn
from d2l import torch as d2l

net = nn.Sequential(
    nn.Conv2d(1, 6, kernel_size=5), nn.BatchNorm2d(6), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2),
    nn.Conv2d(6, 16, kernel_size=5), nn.BatchNorm2d(16), nn.Sigmoid(),
    nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),
    nn.Linear(256, 120), nn.BatchNorm1d(120), nn.Sigmoid(),
    nn.Linear(120, 84), nn.BatchNorm1d(84), nn.Sigmoid(),
    nn.Linear(84, 10))

lr, num_epochs, batch_size = 1.0, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
d2l.plt.show()