神经网络中BN层简介及位置分析

最新推荐文章于 2024-06-04 21:48:28 发布

shadowismine

最新推荐文章于 2024-06-04 21:48:28 发布

阅读量1.9k

点赞数 3

文章标签：神经网络人工智能深度学习

本文链接：https://blog.csdn.net/shadowismine/article/details/134532182

版权

1. 简介

Batch Normalization是深度学习中常用的技巧，Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift (Ioffe and Szegedy, 2015) 第一次介绍了这个方法。

这个方法的命名，明明是Standardization, 非要叫Normalization, 把本来就混用、意义不明的两个词更加搅得一团糟。那standardization 和 Normalization有什么区别呢？

一般是下面这样（X是输入数据集）：

normalization（也叫 min-max scaling），一般译做 “归一化”：

standardization，一般译做 “标准化”：

Batch-Norm 是一个网络层，对中间结果作上面说的 standardization 操作。实际上 standardization 也可以叫做 Z-score normalization。所以可以这样理解，standardization 是一种特殊的 normalization。normalization 作为一个 scaling 的大类，包括 min-max scaling，standardization 等。

2. BatchNorm

对输入进行标准化的时候，计算每个特征在样本集合中的均值、方差；然后将每个样本的每个特征减去该特征的均值，并除以它的方差。用数学公式表示，即：

而所谓的BatchNorm，就是神经网络中间，在一小撮batch样本中进行标准化。具体如下（B: batch size）

注意，BatchNorm作为神经网络的一层，是有两个参数 $\left ( \gamma, \beta \right )$ 要训练的，分别称为拉伸和偏移参数。可能你会有疑问，既然已经对 $u_{b}$ 作了标准化得到了 $\hat{u_{b}}$ ，为什么还要用 $\gamma, \beta$ 将它“还原”呢？

实际上，设置这两个参数是为了给神经网络足够的自由度。如果经过训练 $\gamma \approx \hat{\sigma} _{batch},\beta \approx \hat{\mu} _{batch}$ , 说明神经网络认为，不需要进行批标准化即可使loss function最小化，我们也充分“尊重”它的选择。

3. BN 的特点

使用 BatchNorm，我们可以尝试更大的学习率，从而加速收敛，但一般不会改变模型的精度；
BatchNorm 的效果依赖于 Batch size；一般需要较大的 Batch size（>16）才能有好的效果
和 Dropout 一样，BatchNorm 在训练和推理时有不同的行为：训练时，它基于每个 batch 计算均值和方差，因此 batch size 必须足够大才能较好反映统计性质；推理时，BatchNorm 则直接用训练集整体的均值和方差进行标准化。

训练集整体的均值和方差如何得到？——在每个batch的均值和方差计算中，通过移动平均估算得到。

4. BN 的位置

BatchNorm 究竟应该放在哪，现在还存在争议。很多人说应该放在激活函数之前，但也有声音说应该放在激活函数之后。思考一下，两种说法都有道理。举个简单的例子。

前一种说法是要对 $\omega x+b$ 作BatchNorm，这样可以保证 $\omega x+b$ 在0附近， ${\sigma}'(\omega x+b)$ 不至于太小；后一种说法 BatchNorm 的作用对象则直接是 $x$ ，这样可以控制梯度 $\frac{\partial y}{\partial w}$ 在合理的范围内，不会因为 $x$ 的极端取值而波动过大。

但现在看来，前一种声音是占上风的：将 BatchNorm 作用在全连接层和卷积层的输出上，激活函数之前。在全连接网络中，顺序是：线性组合+BatchNorm+Activation

对于全连接层，BatchNorm 作用在特征维上。假设输入矩阵大小是 m×n —— m 等于 batch size，即这个小批量中的样本数， n 表示特征数。我们要在每个特征上计算 m 个样本的均值和方差，也就是对每一列做计算。

在卷积神经网络中，顺序是：卷积层+BatchNorm+Activation+池化+全连接。要注意一点是，如果卷积层有K个卷积核（即K个通道），要对每个通道的输出分别做批标准化，且每个通道都拥有独立的拉伸和偏移参数。

对于卷积层，BatchNorm 作用在通道维上。我们先考虑一个 1×1 的卷积层，通道数为 k 。它其实就等价于神经元个数为 k 的全连接层。图片中每个像素点都由一个 k 维的向量表示，可以看作是像素点的 k 个特征。同一批量各个图片的各个像素点，就是不同的样本，共有 m×p×q 个样本， m,p,q 分别为 batch size、高、宽。

类比全连接层 BatchNorm 作用在特征维上，要在每个通道（即每个特征）上计算 m×p×q 个样本的均值和方差。

设小批量中有m个样本。在单个通道上，假设卷积计算输出的高和宽分别为p和q。我们需要对该通道中m×p×q个元素同时标准化：对这些元素做标准化计算时，我们使用相同的均值和方差，即该通道中m×p×q个元素的均值和方差。——卷积神经网络之Batch Normalization（一）

5. BN的理解与延伸

BN 效果好是因为 BN 的存在会引入 mini-batch 内其他样本的信息，就会导致预测一个独立样本时，其他样本信息相当于正则项，使得 loss 曲面变得更加平滑，更容易找到最优解。相当于一次独立样本预测可以看多个样本，学到的特征泛化性更强，更加 general。

Conv+BN+Relu 是卷积网络的一个常见组合。在模型推理时，BN 层的参数已经固定下来，本质就是一个线性变换。我们可以把 Conv+BN+Relu 进行算子融合，以加速模型推理。

除了BN层，还有GN(Group Normalization)、LN(Layer Normalization、IN(Instance Normalization)这些个标准化方法，每个标注化方法都适用于不同的任务。

这个图很好地说明了BatchNorm、LayerNorm、InstanceNorm、GroupNorm的区别。N代表batch size；C代表卷积核个数（通道个数）；H，W代表卷积结果的高和宽。

BatchNorm：计算均值和方差时，考虑N * H * W 个元素；对每个通道分别做标准化

LayerNorm：计算均值和方差时，考虑C * H * W 个元素；对batch中的每个instance分别做标准化

InstanceNorm：计算均值和方差时，考虑H * W 个元素；对每个通道、batch中的每个instance分别做标准化

GroupNorm：介于LayerNorm和InstanceNorm二者之间，将C个通道分组，然后进行标准化。

直觉上来讲，GroupNorm把提取到类似特征的不同卷积核分到同一个group中。对这些卷积核进行标准化，确实make sense. 而且GroupNorm摆脱了对batch size的依赖。

GN在训练集上表现最好，在测试集上稍逊于BN（引自 Group Normalization (Yuxin & Kaiming, 2018)）

6. BN vs LN

Transformer模型中用到了LayerNorm，着重对比一下LayerNorm和BatchNorm。

对于一个输入序列 (x1,x2,...,xn) ，每一个 xi 都是 d 维的向量。譬如输入序列是一个句子，每个单词 xi 都用一个 d 维的向量表示。

X轴是序列长度（n），Y轴是特征个数（d），Z轴是Batch size

此时BatchNorm是对图中蓝色框作标准化处理，就像我们上面说的——对每个特征分别做标准化；而LayerNorm针对每一个输入序列，对图中黄色框作标准化处理。总结来说，BatchNorm盯住每一个特征；而LayerNorm盯住的是每一个样本。

那么为什么Transformer模型要用LayerNorm而不是BatchNorm呢？

实际上，序列模型的背景下，BatchNorm有一个天然的硬伤，这使得它在所有序列模型中都不吃香：输入序列的长度(n)可能不一致。一般来说，我们会规定一个最长的序列长度，长度不够的序列用0填充。譬如下图这样，Batch中的序列长短不一。

如果用BatchNorm，以一个feature为例，它的标准化有效范围是蓝色的图，其余用0填充；如果是LayerNorm，对于4个序列，它们的标准化有效范围是黄色的图。

直觉上来说，对于BatchNorm的计算方法，当Batch中序列长度差距过大时，均值和方差的波动也会很大。

但这个问题对于LayerNorm来说并不存在，因为它是在每一个序列内部计算均值和方差的。

这样，我们可以直观地理解，为什么BatchNorm对于序列模型并不好用；为什么Transformer要采用LayerNorm

7. BN代码实现

我们翻一翻常见的backbone的结构。可以看到在官方Pytorch的resnet.py的class BasicBlock中，forward时的基本结构是Conv+BN+Relu:

# 省略了一些地方
class BasicBlock(nn.Module):
    def __init__(self,...) -> None:
        ...
        self.conv1 = conv3x3(inplanes, planes, stride)
        self.bn1 = norm_layer(planes)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(planes, planes)
        self.bn2 = norm_layer(planes)
        self.downsample = downsample
        self.stride = stride

    def forward(self, x: Tensor) -> Tensor:
        identity = x
        # 常见的Conv+BN+Relu
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        # 又是Conv+BN+relu
        out = self.conv2(out)
        out = self.bn2(out)
        if self.downsample is not None:
            identity = self.downsample(x)
        out += identity
        out = self.relu(out)

        return out

resnet作为我们常见的万年青backbone不是没有理由的，效果好速度快方便部署。当然还有很多其他优秀的backbone，这些backbone的内部结构也多为Conv+BN+Relu或者Conv+BN的结构。

参考资料：BatchNorm and its variants - 知乎 normalization 和 standardization 到底什么区别？_为什么batch normalization使用standardization而不是normaliz-CSDN博客不论是训练还是部署都会让你踩坑的Batch Normalization - 知乎

shadowismine

关注

3
点赞
踩
13

收藏

觉得还不错? 一键收藏
1
评论
神经网络中BN层简介及位置分析

Batch Normalization是深度学习中常用的技巧，Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift (Ioffe and Szegedy, 2015) 第一次介绍了这个方法。这个方法的命名，明明是Standardization, 非要叫Normalization, 把本来就混用、意义不明的两个词更加搅得一团糟。
复制链接

扫一扫