类神经网络训练不起来怎么办(五)
特征的变化范围不一样,对Loss的影响不一样
不同dimension范围变化到0-1范围
在Deeplearning中,还要对z或者a做Normalization
对z做还是对a做:总体上没有区别,如果激活函数是sigmoid就推荐对z做
Batch normalization
在一个Bacth内算均值和标准差做normalization
$\hat z^i=\gamma \odot \tilde x+\beta $
γ , β \gamma,\beta γ,β参数,学习出来的
为什么这么做:
做normalization以后 z ~ \tilde z z~的均值一定就是0,这样做可能会对网络有负面的影响,引入 γ , β \gamma,\beta γ,β以后通过学习网络自己调整。
一般情况下 γ \gamma γ的初始值是one vector, β \beta β是zero vector
Batch normalization-Testing
在实际应用中,测试集上可能没有batch:
在训练集上计算moving average: μ ˉ ← p μ ˉ + ( 1 − p μ t ) p \bar \mu\leftarrow p\bar \mu+(1-p\mu^t)\quad p μˉ←pμˉ+(1−pμt)p也是一个超参数,在PyTorch里面为0.1