数据的批标准化

本篇主要讲述什么是标准化，为什么要标准化，以及如何进行标准化(添加BN层)。

1.什么是标准化

　　传统机器学习中标准化也叫做归一化。

　　一般是将数据映射到指定的范围，用于去除不同维度数据的量纲以及量纲单位(说白了就是让数据尽可能处于某个范围内)。

　　数据标准化让机器学习模型看到的不同样本彼此之间更加相似，这有助于模型的学习与对新数据的泛化。

　　常见的数据标准化形式：

　标准化：

　　　　将数据减去其平均值使其中心值为0，然后将数据除以其标准差使其标准差为1。

　　归一化：

　　　　将数据减去最小值除以最大时，使取值范围压缩到0~1之间。

　　批标准化：

　　Batch Normalization(BN)，批标准化

　　和普通的数据标准化类似，是将分散的数据统一的一种做法，也是优化神经网络的一种方法。

　　不仅在数据输入之前对数据做标准化，在网络模型的每一次变换之后都应该考虑数据的标准化。

　　即使在训练过程中，均值和方差随着时间发生变化，它也可以适应性的将数据标准化。

2.为什么要做批标准化

　批标准化解决的问题是梯度消失与梯度爆炸。

　　批标准化是一种训练优化方法。

　　梯度消失与梯度爆炸：

　　对于激活函数，之前一直使用Sigmoid函数，其函数图像成一个S型，如下所示，它会使得输出在[0, 1]之间：

$S(x) = \frac{1}{1+e^{-x}} = \frac{e^x}{e^x+1}$

　　如果我们输入的数据在0附近左右均匀分布，x的变化就会引起y的正常变化，就是一个正常的梯度变化。

　　但是，当数据全部非常大，或者非常小的时候，x上的变化几乎不会引起y的变化，训练的速度就会非常缓慢，且效果差，这种情况就称为梯度消失。同理，在其他的激活函数中，也会出现数据范围导致的梯度异常激增，x上的微小变化就会导致y的剧烈变化，从而影响训练效果，这种情况称之为梯度爆炸。

　　批标准化的好处：

　　数据预处理可以加速收敛，同理，在神经网络中使用批标准化也可以加速收敛，而且还有更多的优点。

　　1.具有正则化的效果(抑制过拟合)。

　　2.提高模型泛化能力。

　　3.允许更高的学习率从而加速收敛。

　　4.批标准化有助于梯度的传播，因此能够使用更深的网络进行训练。对于特别深的神经网络，只有包含多个Batch Normalization(BN)层才能进行训练。

3.tensorflow实现批标准化

　　Batch Normalization通常在卷积层或者全连接层之后使用(原始论文中一般是应用于卷积层或全连接层之后，在激活函数之前。但是，实际上放在激活函数之后效果可能更好)。

　　使用tf.keras.layers.Batchnormalization()来实现。

　　tf.keras.layers.Batchnormalization()不仅可以处理训练数据的均值和方差，也可以在预测时，根据训练数据均值和方差的期望值对测试数据进行处理。

　　代码：　

1 model.add(tf.keras.layers.Conv2D(64, (3, 3)))

2 model.add(tf.keras.layers.BatchNormalization())

3 model.add(tf.keras.layers.Activation('relu'))

4 #两种BN层插入方式

5 model.add(tf.keras.layers.Conv2D(64, (3, 3), activation = 'relu'))

6 model.add(tf.keras.layers.BatchNormalization())

巴特西

Tensorflow学习笔记No.6