python神經(jīng)網(wǎng)絡pytorch中BN運算操作自實現(xiàn)

更新時間：2022年05月07日 15:46:12 作者：皮特潘

這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡pytorch中BN運算操作自實現(xiàn)示例，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

BN 想必大家都很熟悉，來自論文：

《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》

也是面試?？疾斓膬热荩m然一行代碼就能搞定，但是還是很有必要用代碼自己實現(xiàn)一下，也可以加深一下對其內部機制的理解。

通用公式：

直奔代碼：

首先是定義一個函數(shù)，實現(xiàn)BN的運算操作：

def batch_norm(is_training, x, gamma, beta, moving_mean, moving_var, eps=1e-5, momentum=0.9):
    # 判斷當前模式是訓練模式還是預測模式
    if not is_training:
        # 如果是在預測模式下，直接使用傳入的移動平均所得的均值和方差
        x_hat = (x - moving_mean) / torch.sqrt(moving_var + eps)
    else:
        if len(x.shape) == 2:
            # 使用全連接層的情況，計算特征維上的均值和方差
            mean = x.mean(dim=0)
            var = ((x - mean) ** 2).mean(dim=0)
        else:
            # 使用二維卷積層的情況，計算通道維上（axis=1）的均值和方差。這里我們需要保持
            # x的形狀以便后面可以做廣播運算
            mean = x.mean(dim=0, keepdim=True).mean(dim=2, keepdim=True).mean(dim=3, keepdim=True)
            var = ((x - mean) ** 2).mean(dim=0, keepdim=True).mean(dim=2, keepdim=True).mean(dim=3, keepdim=True)
        # 訓練模式下用當前的均值和方差做標準化
        x_hat = (x - mean) / torch.sqrt(var + eps)
        # 更新移動平均的均值和方差
        moving_mean = momentum * moving_mean + (1.0 - momentum) * mean
        moving_var = momentum * moving_var + (1.0 - momentum) * var
    x = gamma * x_hat + beta  # 拉伸和偏移
    return Y, moving_mean, moving_var

然后再定義一個類，就是常用的集成nn.Module的類了。

這里說明三點：

在卷積上的BN實現(xiàn)，是在 Batch，W，H上進行歸一化操作的，也就是BWH拉成一個維度求均值和方差，均值和方差以及beta和gamma的尺寸為channel。當然其他各種N，包括IN，LN，GN都是包含WH維度的。
不需要計算梯度和參與梯度更新的參數(shù)，可以用self.register_buffer直接注冊就可以了；注冊的變量同樣使用；
被包成nn.Parameter的參數(shù)，需要求梯度，但是不能加cuda（），否則會報錯。如果想在gpu上運算，可以將整個類的實例加.cuda（）。例如 bn = BatchNorm（**param），bn=bn.cuda().

class BatchNorm(nn.Module):
    def __init__(self, num_features, num_dims):
        super(BatchNorm, self).__init__()
        if num_dims == 2: # 同樣是判斷是全連層還是卷積層
            shape = (1, num_features)
        else:
            shape = (1, num_features, 1, 1)
        # 參與求梯度和迭代的拉伸和偏移參數(shù)，分別初始化成0和1
        self.gamma = nn.Parameter(torch.ones(shape))
        self.beta = nn.Parameter(torch.zeros(shape))
        # 不參與求梯度和迭代的變量，全初始化成0
        self.register_buffer('moving_mean', torch.zeros(shape))
        self.register_buffer('moving_var', torch.ones(shape))

    def forward(self, x):
        # 如果X不在內存上，將moving_mean和moving_var復制到X所在顯存上
        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)
        # 保存更新過的moving_mean和moving_var, Module實例的traning屬性默認為true, 調用.eval()后設成false
        y, self.moving_mean, self.moving_var = batch_norm(self.training,
            x, self.gamma, self.beta, self.moving_mean,
            self.moving_var, eps=1e-5, momentum=0.9)
        return x

以上就是python神經(jīng)網(wǎng)絡pytorch中BN運算操作自實現(xiàn)的詳細內容，更多關于pytorch BN運算的資料請關注腳本之家其它相關文章！

您可能感興趣的文章: