BN算法 批量归一化算法

1. BN算法的过程

2015年的论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》
思想:

  1. 给每层神经网络的输出做一个归一化,将数据变为一个高斯分布。
  2. 为增加模型的表达能力,每个神经元都要以自训练方式调整scale和shift两个参数。
    在这里插入图片描述

2. BN算法的好处

  1. 可以增加训练速度,防止过拟合:如果没有归一化,每一层训练后的数据分布都不同,网络需要更大的开销去学习新的分布,造成网络模型更加复杂,因此容易发生过拟合,网络收敛也比较慢。
  2. 可以避免激活函数进入非线性饱和区,从而造成梯度弥散问题
  3. 由于因为BN具有提高网络泛化能力的特性,可以减少了你可以移除dropout比例和正则化参数,这样减少繁琐的调参
  4. 可以省LRN局部归一化层。
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值