溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
目前數(shù)據(jù)預(yù)處理最常見的方法就是中心化和標(biāo)準(zhǔn)化。
中心化相當(dāng)于修正數(shù)據(jù)的中心位置，實(shí)現(xiàn)方法非常簡單，就是在每個(gè)特征維度上減去對應(yīng)的均值，最后得到 0 均值的特征。
標(biāo)準(zhǔn)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(biāo)準(zhǔn)差近似為一個(gè)標(biāo)準(zhǔn)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(biāo)準(zhǔn)化：BN
在數(shù)據(jù)預(yù)處理的時(shí)候，我們盡量輸入特征不相關(guān)且滿足一個(gè)標(biāo)準(zhǔn)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(gè)標(biāo)準(zhǔn)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(xùn)練，特別是深層的模型訓(xùn)練非常的困難。
所以在 2015 年一篇論文提出了這個(gè)方法，批標(biāo)準(zhǔn)化，簡而言之，就是對于每一層網(wǎng)絡(luò)的輸出，對其做一個(gè)歸一化，使其服從標(biāo)準(zhǔn)的正態(tài)分布，這樣后一層網(wǎng)絡(luò)的輸入也是一個(gè)標(biāo)準(zhǔn)的正態(tài)分布，所以能夠比較好的進(jìn)行訓(xùn)練，加快收斂速度。
batch normalization 的實(shí)現(xiàn)非常簡單，接下來寫一下對應(yīng)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(jìn)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(shí)候該使用批標(biāo)準(zhǔn)化嗎？
答案是肯定的，因?yàn)橛?xùn)練的時(shí)候使用了，而測試的時(shí)候不使用肯定會導(dǎo)致結(jié)果出現(xiàn)偏差，但是測試的時(shí)候如果只有一個(gè)數(shù)據(jù)集，那么均值不就是這個(gè)值，方差為 0 嗎？這顯然是隨機(jī)的，所以測試的時(shí)候不能用測試的數(shù)據(jù)集去算均值和方差，而是用訓(xùn)練的時(shí)候算出的移動(dòng)平均均值和方差去代替
下面我們實(shí)現(xiàn)以下能夠區(qū)分訓(xùn)練狀態(tài)和測試狀態(tài)的批標(biāo)準(zhǔn)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(jìn)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(luò)下試用一下批標(biāo)準(zhǔn)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(yù)處理，標(biāo)準(zhǔn)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(biāo)準(zhǔn)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(jī)梯度下降，學(xué)習(xí)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(yù)處理和批標(biāo)準(zhǔn)化實(shí)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(gè)參考，也希望大家多多支持億速云。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機(jī)網(wǎng)站二維碼