关于batch normalization
Batch normalization 是由Sergey Ioffe在这篇文章中介绍的。它的作用是减少internal covariance shift,这样的话是网络中的每一层的学习相互独立。这样网络的收敛速度会更快,因此初始化的参数会学习结果的影响更小。
在什么地方使用batch Normalization似乎是有争议的。我成功在卷积之后,激活层之前添加,也成功在激活层之后添加。
关于batch normalization的计算
根据下面的图片显示,BN层将会学习两个参数gamma 和beta,最后的输出与X_hat和gamma,beta相关。在计算X_hat时候,需要用到两个参数,average和variance(记住这两个参数,后面在分析TensorFlow的实现时候要用到)
TensorFlow实现
在TensorFlow中对于BN层有两种不同的实现方式。分别为training mode和inference mode。
Training Mode
在该模式下