Tensorflow2实现像素归一化与频谱归一化

def call(self, input_tensor):

return input_tensor / tf.math.sqrt(tf.reduce_mean(input_tensor ** 2, axis=-1, keepdims=True) + self.epsilon)

与其他归一化不同，像素归一化没有任何可学习的参数。它仅由简单的算术运算组成，因此计算效率很高。

频谱归一化

---

频谱归一化详解

为了解释频谱归一化，首先需要复习下线性代数的知识，以大致解释什么是频谱范数。

首先温故下矩阵理论中的特征值和特征向量：

A v = λ v Av=\lambda v Av=λv

其中 A A A是一个方阵， v v v是特征向量，而 λ \lambda λ是其特征值。

我们将使用一个简单的示例来理解这些术语。假设 v v v是关于位置 ( x , y ) (x, y) (x,y)的向量，而 A A A是线性变换：

A = ( a b c d ) , v = ( x y ) A=\begin{pmatrix} a & b\\ c & d\\ \end{pmatrix},v=\begin{pmatrix} x \\ y \\ \end{pmatrix} A=(ac​bd​),v=(xy​)

如果将 A A A乘以 v v v，我们将获得一个新的位置，其方向改变如下：

A v = ( a b c d ) × ( x y ) = ( a x + b y c x + d y ) Av=\begin{pmatrix} a & b\\ c & d\\ \end{pmatrix}\times \begin{pmatrix} x \\ y \\ \end{pmatrix}=\begin{pmatrix} ax + by\\ cx + dy\\ \end{pmatrix} Av=(ac​bd​)×(xy​)=(ax+bycx+dy​)

特征向量是将A应用于向量时不会改变方向的向量。取而代之的是，它们可以仅通过标量特征值 λ \lambda λ进行缩放。可以有多个特征向量—特征值对。最大特征值的平方根是矩阵的谱范数。对于非方矩阵，我们将需要使用数学算法(例如奇异值分解(singular value decomposition, SVD))来计算特征值，这在计算上可能会非常昂贵。

因此，采用幂迭代法可以加快计算速度，使其对于神经网络训练具有可行性。接下来，在TensorFlow中实现频谱归一化作为权重约束。

频谱归一化实现

频谱归一化数学算法可能看起来很复杂。但是，通常，算法实现比数学上看起来更简单。

以下是执行频谱归一化的步骤：

1. 卷积层中的权重是一个4维张量，因此第一步是将其重塑为2D矩阵，在这里我们保留权重的最后一个维度。重塑后，权重的形状为(H×W, C)。

2. 用 N ( 0 , 1 ) N(0,1) N(0,1)初始化向量 u u u。

3. 在for循环中，计算以下内容：

a) 用矩阵转置和矩阵乘法计算 v = ( w T ) u v =(w^T)u v=(wT)u。

b) 用其 L 2 L_2 L2​范数归一化 v v v，即 v = v / ∣ ∣ v ∣ ∣ 2 v = v/||v||_2 v=v/∣∣v∣∣2​。

c) 计算 u = w v u = wv u=wv。

d) 用 L 2 L_2 L2​范数归一化 u u u，即 u = u / ∣ ∣ u ∣ ∣ 2 u = u/||u||_2 u=u/∣∣u∣∣2​。

4. 计算频谱范数为 u T w v u^Twv uTwv。

5. 最后，将权重除以频谱范数。

完整的代码如下：

import tensorflow as tf

class SpectralNorm(tf.keras.constraints.Constraint):

def init(self, n_iter=5):

self.n_iter = n_iter

def call(self, input_weights):

w = tf.reshape(input_weights, (-1, input_weights.shape[-1]))

u = tf.random.normal((w.shape[0], 1))

for _ in range(self.n_iter):

v = tf.matmul(w, u, transpose_a=True)

v /= tf.norm(v)

u = tf.matmul(w, v)

u /= tf.norm(u)

spec_norm = tf.matmul(u, tf.matmul(w, v), transpose_a=True)

return input_weights/spec_norm

迭代次数是一个超参数，一般情况下5次就足够了。频谱归一化也可以实现为具有一个变量来保存向量 u u u，而不是从随机值开始。这会将迭代次数减少到1。实现频谱归一化，我们可以通过将其用作卷积核约束来应用频谱归一化，如：

Conv2D(3,1,kernel_constraint = SpectralNorm())
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

本涵盖了95%以上前端开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）