动手学深度学习之批量归一化

批量归一化

• 批量归一化所考虑的问题是在学习底部层的时候避免变化顶部层？

• 损失出现在最后，后面的层训练较快。

• 数据在最底部

  • 底部的层训练较慢
  • 底部层一变化，所有都得跟着变
  • 最后的那些层需要重新学习多次
  • 导致收敛变慢
    

• 核心想法：固定小批量里面的均值和方差：$\mu_B = \frac{1}{\left | B \right |} \sum_{i\in B}x_i and \sigma^2_B=\frac{1}{\left | B \right |}\sum_{i\in B}(x_i - \mu_B)^2 + \epsilon $。这里B就是我们的所有小批量的数据。这里可以假设x是一个向量便于拓展到神经网络。方差中加上一个很小的数，放止其变为0

• 批量归一化其实就是在做的事情就是减去均值除以方差乘以$\gamma$在加上$\beta$，这里$\gamma ,\beta$是学习的参数，其余的参数都是根据数据来的，但是在这里会限定住这两个值不要变化的过于猛烈。
  

批量归一化层

• 可学习的参数$\gamma$和$\beta$
• 作用在
  • 全连接层和卷积层输出上，激活函数前
  • 全连接层和卷积层输入上
• 对全连接层，作用在特征维
• 对卷积层，作用在通道维

批量归一化在做什么？

总结

从零开始实现批量归一化

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

# X是输入，gamma和beta是我们要学的，moving_mean和moving_var全局的一个均值和方差，eps避免出0，momentum用来更新这个moving_mean和moving_var的东西
def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):
    # 不要算梯度，不是在trainning
    if not torch.is_grad_enabled():
        X_hat = (X - moving_mean) / torch.sqrt(moving_var + eps)
    else:
        assert len(X.shape) in (2, 4)
        # 这里输入是二维的，也就是全连接
        if len(X.shape) == 2:
            mean = X.mean(dim=0)
            var = ((X - mean) ** 2).mean(dim=0)  # 按行求均值，也就是每一列求出一个均值出来
        # 下面是2d卷积的情况
        else:
            mean = X.mean(dim=(0, 2, 3), keepdim=True)  # 这里的意思对于通道维，将其他的所有的东西都拿出来求平均值。得出(1, n, 1, 1)
            var = ((X - mean) ** 2).mean(dim=(0, 2, 3), keepdim=True)
            var = ((X - mean) ** 2).mean(dim=(0, 2, 3), keepdim=True)
        X_hat = (X - mean) / torch.sqrt(var + eps)  # 这个是当前的小批量里面的mean和方差
        moving_mean = momentum * moving_mean + (1.0 - momentum) * mean  # 更新全局的mean
        moving_var = momentum * moving_var + (1.0 - momentum) * var
    Y = gamma * X_hat + beta
    return Y, moving_mean.data, moving_var.data

# 创建一个正确的BatchNorm图层
class BatchNorm(nn.Module):
    def __init__(self, num_features, num_dims):
        super().__init__()
        if num_dims == 2:
            shape = (1, num_features)
        else:
            shape = (1, num_features, 1, 1)
        self.gamma = nn.Parameter(torch.ones(shape))
        self.beta = nn.Parameter(torch.zeros(shape))
        self.moving_mean = torch.zeros(shape)
        self.moving_var = torch.ones(shape)

    def forward(self, X):
        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)
        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BatchNorm于LeNet模型
net = nn.Sequential(nn.Conv2d(1, 6, kernel_size=5), BatchNorm(6, num_dims=4),
                    nn.Sigmoid(), nn.MaxPool2d(kernel_size=2, stride=2),
                    nn.Conv2d(6, 16,kernel_size=5), BatchNorm(16, num_dims=4),
                    nn.Sigmoid(), nn.MaxPool2d(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))

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())

loss 0.246, train acc 0.910, test acc 0.801
4279.8 examples/sec on cpu

# 简洁实现
net = nn.Sequential(nn.Conv2d(1, 6, kernel_size=5), nn.BatchNorm2d(6),
                    nn.Sigmoid(), nn.MaxPool2d(kernel_size=2, stride=2),
                    nn.Conv2d(6, 16, kernel_size=5), nn.BatchNorm2d(16),
                    nn.Sigmoid(), nn.MaxPool2d(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))
# 使用相同的超参数来训练模型
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.246, train acc 0.910, test acc 0.856
6917.9 examples/sec on cpu