Batch Normalization:
layer {
name: "bn1"
type: "BatchNorm"
bottom: "conv1"
top: "bn1"
batch_norm_param {
use_global_stats: false
}
}
use_global_stats:如果为真,则使用保存的均值和方差,否则采用滑动平均计算新的均值和方差。该参数缺省的时候,如果是测试阶段则等价为真,如果是训练阶段则等价为假。
注意:训练的时候,将BN层的use_global_stats设置为false,然后测试的时候将use_global_stats设置为true,不然训练的时候会报“NAN”或者模型不收敛。
法一:
说明训练不收敛了, 学习率太大,步子迈的太大导致梯度爆炸等都是有可能的,另外也有可能是网络的问题,网络结构设计的有问题。
法二:
1. 数据归一化(减均值,除方差,或者加入normalization,eg:BN、L2norm)
2.更换参数初始化方法(对于CNN,一般用xavier或者msra的初始化方法)
3.减小学习率、减小batchsize或者加入gradient clipping
4.减少整体学习率,增加网络层数;
在超分辨率领域,对图像使用BN层的话,如果只针对单一X2或者X3或者X4倍分辨率时候,不使用BN层效果更好,如果数据集中同时包含x2,x3,x4倍分辨率数据,那么加上BN层效果更好