深度学习系列（四）深度卷积神经网络之批量归一化、ResNet、DenseNet 2020.6.19

最新推荐文章于 2024-04-12 19:25:51 发布

思源湖的鱼

最新推荐文章于 2024-04-12 19:25:51 发布

阅读量2k

点赞数

分类专栏： machine learning 文章标签：卷积神经网络深度学习 python pytorch 批量归一化

本文链接：https://blog.csdn.net/weixin_44604541/article/details/106852144

版权

前言

本节继续学习深度卷积神经网络

批量归一化
ResNet
DenseNet

1、批量归一化

对深层神经⽹络来说，即使输⼊数据已做标准化，训练中模型参数的更新依然很容易造成靠近输出层输出的剧烈变化
批量归⼀化利⽤小批量上的均值和标准差，不断调整神经⽹络中间输出，从而使整个神经⽹络在各层的中间输出的数值更稳定

import d2lzh as d2l
from mxnet import autograd, gluon, init, nd
from mxnet.gluon import nn

"""实现批量归一化"""
def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):
    # 通过autograd来判断当前模式是训练模式还是预测模式
    if not autograd.is_training():
        # 如果是在预测模式下，直接使用传入的移动平均所得的均值和方差
        X_hat = (X - moving_mean) / nd.sqrt(moving_var + eps)
    else:
        assert len(X.shape) in (2, 4)
        if len(X.shape) == 2:
            # 使用全连接层的情况，计算特征维上的均值和方差
            mean = X.mean(axis=0)
            var = ((X - mean) ** 2).mean(axis=0)
        else:
            # 使用二维卷积层的情况，计算通道维上（axis=1）的均值和方差
            # 这里保持X的形状以便后面可以做广播运算
            mean = X.mean(axis=(0, 2, 3), keepdims=True)
            var = ((X - mean) ** 2).mean(axis=(0, 2, 3), keepdims=True)
        # 训练模式下用当前的均值和方差做标准化
        X_hat = (X - mean) / nd.sqrt(var + eps)
        # 更新移动平均的均值和方差
        moving_mean = momentum * moving_mean + (1.0 - momentum) * mean
        moving_var = momentum * moving_var + (1.0 - momentum) * var
    Y = gamma * X_hat + beta  # 拉伸和偏移
    return Y, moving_mean, moving_var

# BatchNorm层保存参与求梯度和迭代的拉伸参数gamma和偏移参数beta
# 同时也维护移动平均得到的均值和方差，以便能够在模型预测时被使用
class BatchNorm(nn.Block):
    def __init__(self, num_features, num_dims, **kwargs):
        super(BatchNorm, self).__init__(**kwargs)
        if num_dims == 2:
            shape = (1, num_features)
        else:
            shape = (1, num_features, 1, 1)
        # 参与求梯度和迭代的拉伸和偏移参数，分别初始化成1和0
        self.gamma = self.params.get('gamma', shape=