BN 想必大家都很熟悉，来自论文：
《Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift》
也是面试常考察的内容，虽然一行代码就能搞定，但是还是很有必要用代码自己实现一下，也可以加深一下对其内部机制的理解。
通用公式：
直奔代码：
首先是定义一个函数，实现BN的运算操作：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
def batch_norm(is_training, x, gamma, beta, moving_mean, moving_var, eps=1e-5, momentum=0.9): # 判断当前模式是训练模式还是预测模式 if not is_training: # 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: 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) var = ((x - mean) ** 2).mean(dim=0) 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。这里我们需要保持 # x的形状以便后面可以做广播运算 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) # 训练模式下用当前的均值和方差做标准化 x_hat = (x - mean) / torch.sqrt(var + eps) # 更新移动平均的均值和方差 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 |
然后再定义一个类，就是常用的集成nn.Module的类了。
这里说明三点：
- 在卷积上的BN实现，是在 Batch，W，H上进行归一化操作的，也就是BWH拉成一个维度求均值和方差，均值和方差以及beta和gamma的尺寸为channel。当然其他各种N，包括IN，LN，GN都是包含WH维度的。
- 不需要计算梯度和参与梯度更新的参数，可以用self.register_buffer直接注册就可以了；注册的变量同样使用；
- 被包成nn.Parameter的参数，需要求梯度，但是不能加cuda（），否则会报错。 如果想在gpu上运算，可以将整个类的实例加.cuda（）。例如 bn = BatchNorm（**param），bn=bn.cuda().
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
class BatchNorm(nn.Module): def __init__(self, num_features, num_dims): super(BatchNorm, self).__init__() if num_dims == 2: # 同样是判断是全连层还是卷积层 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0和1 self.gamma = nn.Parameter(torch.ones(shape)) self.beta = nn.Parameter(torch.zeros(shape)) # 不参与求梯度和迭代的变量，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_var, Module实例的traning属性默认为true, 调用.eval()后设成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神经网络pytorch中BN运算操作自实现的详细内容，更多关于pytorch BN运算的资料请关注服务器之家其它相关文章！
原文链接：https://zhuanlan.zhihu.com/p/269465213
