32位C++改编 风格转移(style)之应用(生成) ---（四）实时归一化(Norm)

在前面的“超分辨重建”部分有个批归一化（BatchNorm），和这个差不多，那个是训练时计算的，我们只是拿来用，这里是实时计算。

y=(x-均值)/sqrt(方差+微小值)

对每个通道分别处理：

void vl_Norm(卷积层 * out)
{
	float epsilon = 10E-9 ;//10E-4 ;

	float u, std;// 均值 方差

	float * s=out->data, *s0;
	float p;
  
	int WH = out->height * out->width;

	for (int c=0; c<out->depth; ++c)//对每个通道分别计算和处理
	{

		//先求均值
		u=0;
		std=0;
		s0=s;
		for (int i=0; i<WH; ++i)
		{
				p = *s0++;
				u  += p;//和
				std += p*p;//平方
			
		}
		u /= WH; //均值
		//cout<<"u:"<<u<<endl;

		//

		std=sqrt(std/WH-u*u+epsilon);//方差
		//cout<<"std:"<<std<<endl;
	// 输入归一化
		s0=s;
		for (int i=0; i<WH; ++i)
		{
				p  = *s0;//
				*s0++ = (p-u)/std;//均值 方差			
			
		}


		s+=WH;//下一通道
	}
}

另外原文中的relu 中有个“将nan转换为零”的动作，这里则不用了（只将权重中的nan替换成零），可能会对结果有影响吧。

原relu:

def relu(input):
    relu = tf.nn.relu(input)
    # 将nan转换为零 (nan != nan)
    nan_to_zero = tf.where(tf.equal(relu, relu), relu, tf.zeros_like(relu))
    return nan_to_zero

主要是我还不知道在c++中要怎样处理nan。

这章结束