對比分析BN和dropout在預測和訓練時區(qū)別

更新時間：2022年05月09日 15:47:59 作者：微笑sun

這篇文章主要為大家介紹了對比分析BN和dropout在預測和訓練時區(qū)別，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

Batch Normalization

BN在訓練時是在每個batch上計算均值和方差來進行歸一化，每個batch的樣本量都不大，所以每次計算出來的均值和方差就存在差異。預測時一般傳入一個樣本，所以不存在歸一化，其次哪怕是預測一個batch，但batch計算出來的均值和方差是偏離總體樣本的，所以通常是通過滑動平均結合訓練時所有batch的均值和方差來得到一個總體均值和方差。

以tensorflow代碼實現為例：

def bn_layer(self, inputs, training, name='bn', moving_decay=0.9, eps=1e-5):
        # 獲取輸入維度并判斷是否匹配卷積層(4)或者全連接層(2)
        shape = inputs.shape
        param_shape = shape[-1]
        with tf.variable_scope(name):
            # 聲明BN中唯一需要學習的兩個參數，y=gamma*x+beta
            gamma = tf.get_variable('gamma', param_shape, initializer=tf.constant_initializer(1))
            beta  = tf.get_variable('beat', param_shape, initializer=tf.constant_initializer(0))
            # 計算當前整個batch的均值與方差
            axes = list(range(len(shape)-1))
            batch_mean, batch_var = tf.nn.moments(inputs , axes, name='moments')
            # 采用滑動平均更新均值與方差
            ema = tf.train.ExponentialMovingAverage(moving_decay, name="ema")
            def mean_var_with_update():
                ema_apply_op = ema.apply([batch_mean, batch_var])
                with tf.control_dependencies([ema_apply_op]):           
                    return tf.identity(batch_mean), tf.identity(batch_var)
            # 訓練時，更新均值與方差，測試時使用之前最后一次保存的均值與方差
            mean, var = tf.cond(tf.equal(training,True), mean_var_with_update,
                    lambda:(ema.average(batch_mean), ema.average(batch_var)))
            # 最后執(zhí)行batch normalization
            return tf.nn.batch_normalization(inputs ,mean, var, beta, gamma, eps)

training參數可以通過tf.placeholder傳入，這樣就可以控制訓練和預測時training的值。

self.training = tf.placeholder(tf.bool, name="training")

Dropout

Dropout在訓練時會隨機丟棄一些神經元，這樣會導致輸出的結果變小。而預測時往往關閉dropout，保證預測結果的一致性（不關閉dropout可能同一個輸入會得到不同的輸出，不過輸出會服從某一分布。另外有些情況下可以不關閉dropout，比如文本生成下，不關閉會增大輸出的多樣性）。

為了對齊Dropout訓練和預測的結果，通常有兩種做法，假設dropout rate = 0.2。一種是訓練時不做處理，預測時輸出乘以(1 - dropout rate)。另一種是訓練時留下的神經元除以(1 - dropout rate)，預測時不做處理。以tensorflow為例。

x = tf.nn.dropout(x, self.keep_prob)

self.keep_prob = tf.placeholder(tf.float32, name="keep_prob")

tf.nn.dropout就是采用了第二種做法，訓練時除以(1 - dropout rate)，源碼如下：

binary_tensor = math_ops.floor(random_tensor)
 ret = math_ops.div(x, keep_prob) * binary_tensor
 if not context.executing_eagerly():
   ret.set_shape(x.get_shape())
 return ret

binary_tensor就是一個mask tensor，即里面的值由0或1組成。keep_prob = 1 - dropout rate。

以上就是對比分析BN和dropout在預測和訓練時區(qū)別的詳細內容，更多關于BN與dropout預測訓練對比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: