重点培育学科建设网站网络优化工程师主要做什么

7.5.1 训练深层网络

训练神经网络的实际问题：

• 数据预处理的方式会对最终结果产生巨大影响。

• 训练时，多层感知机的中间层变量可能具有更广的变化范围。

• 更深层的网络很复杂容易过拟合。

批量规范化对小批量的大小有要求，只有批量大小足够大时批量规范化才是有效的。

用 $\mathbf{x}\in B$ 表示一个来自小批量 $B$ 的输入；$\hat{\boldsymbol{\mu}}_B $ 表示小批量 $B$ 的样本均值；${\hat{\mathbf{\sigma }}}_B$ 表示小批量 $B$ 的样本标准差；批量规范化 BN 根据以下表达式转换 $\mathbf{x}$：

$$BN(\mathbf{x})=\gamma \odot \frac{\mathbf{x}+{\hat{\mathbf{\mu }}}_B}{{\hat{\mathbf{\sigma }}}_B}+\beta$$

应用标准化后生成的小批量的均值为 0，单位方差为 1。此外，其中还包含与 $\mathbf{x}$ 形状相同的拉伸参数 $\gamma$ 和偏移参数 $\beta$。需要注意的是，$\gamma$ 和 $\beta$ 是需要与其他模型一起参与学习的参数。

从形式上看，可以计算出上式中的 $\hat{\boldsymbol{\mu}}_B $ 和 ${\hat{\mathbf{\sigma }}}_B$：

$$\begin{array}{rl}{\hat{\mathbf{\mu }}}_B& =\frac{1}{\left|B\right|}\sum _{\mathbf{x}\in B}\mathbf{x}\\ {\hat{\mathbf{\sigma }}}_B& =\frac{1}{\left|B\right|}\sum _{\mathbf{x}\in B}(\mathbf{x}-{\hat{\mathbf{\mu }}}_B{)}^2+ϵ\end{array}$$

式中添加的大于零的常量 $ϵ$ 可以保证不会发生除数为零的错误。

7.5.2 批量规范化层

全连接层和卷积层需要两种略有不同的批量规范化策略：

• 全连接层

  通常，我们将批量规范化层置于全连接层中的仿射变换和激活函数之间。 设全连接层的输入为 $x$，权重参数和偏置参数分别为 $\mathbf{W}$ 和 $b$，激活函数为 $\varphi$，批量规范化的运算符为 $BN$。那么，使用批量规范化的全连接层的输出的计算详情如下：

  $$\mathbf{h}=\varphi (BN(\mathbf{W}x+b))$$

• 卷积层

  对于卷积层，可以在卷积层之后和非线性激活函数之前应用批量规范化。而且需要对多个输出通道中的每个输出执行批量规范化，每个通道都有自己的标量参数：拉伸和偏移参数。

• 预测过程中的批量规范化

  批量规范化在训练模式和预测模式下的行为通常不同。

7.5.3 从零实现

import torch
from torch import nn
from d2l import torch as d2l

def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum):if not torch.is_grad_enabled():  # 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) / torch.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(dim=0)  # 按行求均值var = ((X - mean) ** 2).mean(dim=0)  # 按行求方差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。mean = X.mean(dim=(0, 2, 3), keepdim=True)  # 保持X的形状(即第1维，输出通道数)以便后面可以做广播运算，结果的形状是1*n*1*1var = ((X - mean) ** 2).mean(dim=(0, 2, 3), keepdim=True)X_hat = (X - mean) / torch.sqrt(var + eps)  # 训练模式下，用当前的均值和方差做标准化# 更新移动平均的均值和方差moving_mean = momentum * moving_mean + (1.0 - momentum) * meanmoving_var = momentum * moving_var + (1.0 - momentum) * varY = gamma * X_hat + beta  # 缩放和移位return Y, moving_mean.data, moving_var.data

class BatchNorm(nn.Module):# num_features：完全连接层的输出数量或卷积层的输出通道数。# num_dims：2表示完全连接层，4表示卷积层def __init__(self, num_features, num_dims):super().__init__()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0self.gamma = nn.Parameter(torch.ones(shape))self.beta = nn.Parameter(torch.zeros(shape))# 非模型参数的变量初始化为0和1self.moving_mean = torch.zeros(shape)self.moving_var = torch.ones(shape)def forward(self, X):# 如果X不在内存上，将moving_mean和moving_var# 复制到X所在显存上if self.moving_mean.device != X.device:self.moving_mean = self.moving_mean.to(X.device)self.moving_var = self.moving_var.to(X.device)# 保存更新过的moving_mean和moving_varY, self.moving_mean, self.moving_var = batch_norm(X, self.gamma, self.beta, self.moving_mean,self.moving_var, eps=1e-5, momentum=0.9)return Y

7.5.4 使用批量规范化层的 LeNet

net = nn.Sequential(nn.Conv2d(1, 6, kernel_size=5), BatchNorm(6, num_dims=4), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(6, 16, kernel_size=5), BatchNorm(16, num_dims=4), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),nn.Linear(16*4*4, 120), BatchNorm(120, num_dims=2), nn.Sigmoid(),nn.Linear(120, 84), BatchNorm(84, num_dims=2), nn.Sigmoid(),nn.Linear(84, 10))

学习率拉的好大。

lr, num_epochs, batch_size = 1.0, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.262, train acc 0.902, test acc 0.879
20495.7 examples/sec on cuda:0

7.5.5 简明实现

net1 = nn.Sequential(nn.Conv2d(1, 6, kernel_size=5), nn.BatchNorm2d(6), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(6, 16, kernel_size=5), nn.BatchNorm2d(16), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),nn.Linear(256, 120), nn.BatchNorm1d(120), nn.Sigmoid(),nn.Linear(120, 84), nn.BatchNorm1d(84), nn.Sigmoid(),nn.Linear(84, 10))

d2l.train_ch6(net1, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.263, train acc 0.903, test acc 0.870
36208.4 examples/sec on cuda:0

7.5.6 争议

这个东西就是玄学，有效但是不知大为什么有效。作者给出的解释是“减少内部协变量偏移”，但是也是处于直觉而不是证明。

练习

（1）在使用批量规范化之前，我们是否可以从全连接层或者卷积层中删除偏置函数？为什么？

我认为可以，偏置会在减去均值时消去，此外，BN 中也是带偏移参数的。

---

（2）比较 LeNet 在使用和不使用批量规范化情况下的学习率。

a. 绘制训练和测试精准度的提高。b. 学习率有多高?

学习率相同的话，使用批量规范化的收敛速度会非常快。

---

（3）我们是否需要在每个层中进行批量规范化？尝试一下？

net2 = nn.Sequential(nn.Conv2d(1, 6, kernel_size=5), nn.BatchNorm2d(6), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(6, 16, kernel_size=5), nn.BatchNorm2d(16), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),nn.Linear(256, 120), nn.Sigmoid(),nn.Linear(120, 84), nn.Sigmoid(),nn.Linear(84, 10))lr, num_epochs, batch_size = 1.0, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch6(net2, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.349, train acc 0.871, test acc 0.856
37741.0 examples/sec on cuda:0

去掉后面两个之后曲线稳多了。

---

（4）可以通过批量规范化来替换暂退法吗？行为会如何改变？

看来还是批量规范化好些

net3 = nn.Sequential(nn.Conv2d(1, 6, kernel_size=5), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2),nn.Conv2d(6, 16, kernel_size=5), nn.Sigmoid(),nn.AvgPool2d(kernel_size=2, stride=2), nn.Flatten(),nn.Linear(256, 120), nn.Sigmoid(),nn.Dropout(p=0.1),nn.Linear(120, 84), nn.Sigmoid(),nn.Dropout(p=0.1),nn.Linear(84, 10))lr, num_epochs, batch_size = 1.0, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch6(net3, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.541, train acc 0.790, test acc 0.748
40642.6 examples/sec on cuda:0

---

（5） 确定参数 gamma 和 beta，并观察和分析结果。

net[1].gamma.reshape((-1,)), net[1].beta.reshape((-1,))

(tensor([3.1800, 1.6709, 4.0375, 3.4801, 2.6182, 2.3103], device='cuda:0',grad_fn=<ReshapeAliasBackward0>),tensor([ 3.5415,  1.6295,  1.8926, -1.5510, -2.4556,  1.1020], device='cuda:0',grad_fn=<ReshapeAliasBackward0>))

---

（6）查看高级 API 中关于 BatchNorm 的在线文档，以了解其他批量规范化的应用。

略。

---

（7）研究思路：可以应用的其他“规范化”变换有哪些，可以应用概率积分变换吗，全秩协方差估计呢？

略。