pytorch 圖像中的數(shù)據(jù)預處理和批標準化實例

更新時間：2020年01月15日 14:46:24 作者：xckkcxxck

今天小編就為大家分享一篇pytorch 圖像中的數(shù)據(jù)預處理和批標準化實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

目前數(shù)據(jù)預處理最常見的方法就是中心化和標準化。

中心化相當于修正數(shù)據(jù)的中心位置，實現(xiàn)方法非常簡單，就是在每個特征維度上減去對應的均值，最后得到 0 均值的特征。

標準化也非常簡單，在數(shù)據(jù)變成 0 均值之后，為了使得不同的特征維度有著相同的規(guī)模，可以除以標準差近似為一個標準正態(tài)分布，也可以依據(jù)最大值和最小值將其轉(zhuǎn)化為 -1 ~ 1 之間

批標準化：BN

在數(shù)據(jù)預處理的時候，我們盡量輸入特征不相關(guān)且滿足一個標準的正態(tài)分布，這樣模型的表現(xiàn)一般也較好。但是對于很深的網(wǎng)路結(jié)構(gòu)，網(wǎng)路的非線性層會使得輸出的結(jié)果變得相關(guān)，且不再滿足一個標準的 N(0, 1) 的分布，甚至輸出的中心已經(jīng)發(fā)生了偏移，這對于模型的訓練，特別是深層的模型訓練非常的困難。

所以在 2015 年一篇論文提出了這個方法，批標準化，簡而言之，就是對于每一層網(wǎng)絡的輸出，對其做一個歸一化，使其服從標準的正態(tài)分布，這樣后一層網(wǎng)絡的輸入也是一個標準的正態(tài)分布，所以能夠比較好的進行訓練，加快收斂速度。

batch normalization 的實現(xiàn)非常簡單，接下來寫一下對應的python代碼：

import sys
sys.path.append('..')
 
import torch
 
def simple_batch_norm_1d(x, gamma, beta):
  eps = 1e-5
  x_mean = torch.mean(x, dim=0, keepdim=True) # 保留維度進行 broadcast
  x_var = torch.mean((x - x_mean) ** 2, dim=0, keepdim=True)
  x_hat = (x - x_mean) / torch.sqrt(x_var + eps)
  return gamma.view_as(x_mean) * x_hat + beta.view_as(x_mean)
   
x = torch.arange(15).view(5, 3)
gamma = torch.ones(x.shape[1])
beta = torch.zeros(x.shape[1])
print('before bn: ')
print(x)
y = simple_batch_norm_1d(x, gamma, beta)
print('after bn: ')
print(y)

測試的時候該使用批標準化嗎？

答案是肯定的，因為訓練的時候使用了，而測試的時候不使用肯定會導致結(jié)果出現(xiàn)偏差，但是測試的時候如果只有一個數(shù)據(jù)集，那么均值不就是這個值，方差為 0 嗎？這顯然是隨機的，所以測試的時候不能用測試的數(shù)據(jù)集去算均值和方差，而是用訓練的時候算出的移動平均均值和方差去代替

下面我們實現(xiàn)以下能夠區(qū)分訓練狀態(tài)和測試狀態(tài)的批標準化方法

def batch_norm_1d(x, gamma, beta, is_training, moving_mean, moving_var, moving_momentum=0.1):
  eps = 1e-5
  x_mean = torch.mean(x, dim=0, keepdim=True) # 保留維度進行 broadcast
  x_var = torch.mean((x - x_mean) ** 2, dim=0, keepdim=True)
  if is_training:
    x_hat = (x - x_mean) / torch.sqrt(x_var + eps)
    moving_mean[:] = moving_momentum * moving_mean + (1. - moving_momentum) * x_mean
    moving_var[:] = moving_momentum * moving_var + (1. - moving_momentum) * x_var
  else:
    x_hat = (x - moving_mean) / torch.sqrt(moving_var + eps)
  return gamma.view_as(x_mean) * x_hat + beta.view_as(x_mean)

下面我們在卷積網(wǎng)絡下試用一下批標準化看看效果

def data_tf(x):
  x = np.array(x, dtype='float32') / 255
  x = (x - 0.5) / 0.5 # 數(shù)據(jù)預處理，標準化
  x = torch.from_numpy(x)
  x = x.unsqueeze(0)
  return x
 
train_set = mnist.MNIST('./data', train=True, transform=data_tf, download=True) # 重新載入數(shù)據(jù)集，申明定義的數(shù)據(jù)變換
test_set = mnist.MNIST('./data', train=False, transform=data_tf, download=True)
train_data = DataLoader(train_set, batch_size=64, shuffle=True)
test_data = DataLoader(test_set, batch_size=128, shuffle=False)
# 使用批標準化
class conv_bn_net(nn.Module):
  def __init__(self):
    super(conv_bn_net, self).__init__()
    self.stage1 = nn.Sequential(
      nn.Conv2d(1, 6, 3, padding=1),
      nn.BatchNorm2d(6),
      nn.ReLU(True),
      nn.MaxPool2d(2, 2),
      nn.Conv2d(6, 16, 5),
      nn.BatchNorm2d(16),
      nn.ReLU(True),
      nn.MaxPool2d(2, 2)
    )
    
    self.classfy = nn.Linear(400, 10)
  def forward(self, x):
    x = self.stage1(x)
    x = x.view(x.shape[0], -1)
    x = self.classfy(x)
    return x
 
net = conv_bn_net()
optimizer = torch.optim.SGD(net.parameters(), 1e-1) # 使用隨機梯度下降，學習率 0.1
 
 
train(net, train_data, test_data, 5, optimizer, criterion)

以上這篇pytorch 圖像中的數(shù)據(jù)預處理和批標準化實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: