pytorch中BatchNorm2d函數(shù)的參數(shù)怎么使用

本篇內(nèi)容主要講解“pytorch中BatchNorm2d函數(shù)的參數(shù)怎么使用”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“pytorch中BatchNorm2d函數(shù)的參數(shù)怎么使用”吧!

BN原理、作用

函數(shù)參數(shù)講解

BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)

• 1.num_features：一般輸入?yún)?shù)的shape為batch_size*num_features*height*width，即為其中特征的數(shù)量，即為輸入BN層的通道數(shù)；

• 2.eps：分母中添加的一個值，目的是為了計(jì)算的穩(wěn)定性，默認(rèn)為：1e-5,避免分母為0；

• 3.momentum：一個用于運(yùn)行過程中均值和方差的一個估計(jì)參數(shù)（我的理解是一個穩(wěn)定系數(shù)，類似于SGD中的momentum的系數(shù)）；

• 4.affine：當(dāng)設(shè)為true時，會給定可以學(xué)習(xí)的系數(shù)矩陣gamma和beta

一般來說pytorch中的模型都是繼承nn.Module類的，都有一個屬性trainning指定是否是訓(xùn)練狀態(tài)，訓(xùn)練狀態(tài)與否將會影響到某些層的參數(shù)是否是固定的，比如BN層或者Dropout層。

通常用model.train()指定當(dāng)前模型model為訓(xùn)練狀態(tài),model.eval()指定當(dāng)前模型為測試狀態(tài)。

同時，BN的API中有幾個參數(shù)需要比較關(guān)心的，一個是affine指定是否需要仿射，還有個是track_running_stats指定是否跟蹤當(dāng)前batch的統(tǒng)計(jì)特性。

容易出現(xiàn)問題也正好是這三個參數(shù)：trainning，affine，track_running_stats。

其中的affine指定是否需要仿射，也就是是否需要上面算式的第四個，如果affine=False則γ=1,β=0，并且不能學(xué)習(xí)被更新。一般都會設(shè)置成affine=True。

trainning和track_running_stats，track_running_stats=True表示跟蹤整個訓(xùn)練過程中的batch的統(tǒng)計(jì)特性，得到方差和均值，而不只是僅僅依賴與當(dāng)前輸入的batch的統(tǒng)計(jì)特性。

相反的，如果track_running_stats=False那么就只是計(jì)算當(dāng)前輸入的batch的統(tǒng)計(jì)特性中的均值和方差了。

當(dāng)在推理階段的時候，如果track_running_stats=False，此時如果batch_size比較小，那么其統(tǒng)計(jì)特性就會和全局統(tǒng)計(jì)特性有著較大偏差，可能導(dǎo)致糟糕的效果。

如果BatchNorm2d的參數(shù)track_running_stats設(shè)置False,那么加載預(yù)訓(xùn)練后每次模型測試測試集的結(jié)果時都不一樣；track_running_stats設(shè)置為True時，每次得到的結(jié)果都一樣。

running_mean和running_var參數(shù)是根據(jù)輸入的batch的統(tǒng)計(jì)特性計(jì)算的，嚴(yán)格來說不算是“學(xué)習(xí)”到的參數(shù)，不過對于整個計(jì)算是很重要的。

BN層中的running_mean和running_var的更新是在forward操作中進(jìn)行的，而不是在optimizer.step()中進(jìn)行的，因此如果處于訓(xùn)練中泰，就算不進(jìn)行手動step()，BN的統(tǒng)計(jì)特性也會變化。

model.train() #處于訓(xùn)練狀態(tài)
for data , label in self.dataloader:
    pred =model(data)  #在這里會更新model中的BN統(tǒng)計(jì)特性參數(shù)，running_mean,running_var
    loss=self.loss(pred,label)
    #就算不進(jìn)行下列三行，BN的統(tǒng)計(jì)特性參數(shù)也會變化
    opt.zero_grad()
    loss.backward()
    opt.step()

這個時候，要用model.eval()轉(zhuǎn)到測試階段，才能固定住running_mean和running_var，有時候如果是先預(yù)訓(xùn)練模型然后加載模型，重新跑測試數(shù)據(jù)的時候，結(jié)果不同，有一點(diǎn)性能上的損失，這個時候基本上是training和track_running_stats設(shè)置的不對。

如果使用兩個模型進(jìn)行聯(lián)合訓(xùn)練，為了收斂更容易控制，先預(yù)訓(xùn)練好模型model_A，并且model_A內(nèi)還有若干BN層，后續(xù)需要將model_A作為一個inference推理模型和model_B聯(lián)合訓(xùn)練，此時希望model_A中的BN的統(tǒng)計(jì)特性量running_mean和running_var不會亂變化，因此就需要將model_A.eval()設(shè)置到測試模型，否則在trainning模式下，就算是不去更新模型的參數(shù)，其BN都會變化，這將導(dǎo)致和預(yù)期不同的結(jié)果。

到此，相信大家對“pytorch中BatchNorm2d函數(shù)的參數(shù)怎么使用”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！