将 Batch 拟合进神经网络 (Fitting Batch Norm into a Neural Network)
你已经看到那些等式,它可以在单一隐藏层进行Batch归一化,接下来,让我们看看它是怎样在深度网络训练中拟合的吧。
假设你有一个这样的神经网络,我之前说过,你可以认为每个单元负责计算两件事。第一,它先计算
z ,然后应用其到激活函数中再计算
a ,所以我可以认为,每个圆圈代表着两步的计算过程。同样的,对于下一层而言,那就是
z1[2] 和
a1[2] 等。所以如果你没有应用Batch归一化,你会把输入
X 拟合到第一隐藏层,然后首先计算
z[1] ,这是由
w[1] 和
b[1] 两个参数控制的。接着,通常而言,你会把
z[1] 拟合到激活函数以计算
a[1] 。但Batch归一化的做法是将值进行Batch归一化,简称BN,此过程将由
β[1] 和
γ[1] 两参数控制,这一操作会给你一个新的规范化的
z[1] 值(
z~[1] ),然后将其输入激活函数中得到
a[1] ,即
a[1]=g[1](z~[l]) 。
现在,你已在第一层进行了计算,此时Batch归一化发生在
z 的计算和
a 之间,接下来,你需要应用
a[1] 值来计算
z[2] ,此过程是由
w[2] 和
b[2] 控制的。与你在第一层所做的类似,你会将
z[2] 进行Batch归一化,现在我们简称BN,这是由下一层的Batch归一化参数所管制的,即
β[2] 和
γ[2] ,现在你得到
z~[2] ,再通过激活函数计算出
a[2] 等等。
所以需要强调的是Batch归一化是发生在计算
z 和
a 之间的。直觉就是,与其应用没有归一化的
z 值,不如用归一过的
z~ ,这是第一层(
z~[1] )。第二层同理,与其应用没有规范过的
z[2] 值,不如用经过方差和均值归一后的
z~[2] 。所以,你网络的参数就会是
w[1],b[1],w[2] 和
b[2] 等等,我们将要去掉这些参数。但现在,想象参数
w[1],b[1] 到
w[l],b[l] ,我们将另一些参数加入到此新网络中
β[1],β[2],γ[1],γ[2] 等等。对于应用Batch归一化的每一层而言。需要澄清的是,请注意,这里的这些
β (
β[1],β[2] 等等)和超参数
β 没有任何关系,下一张幻灯片中会解释原因,后者是用于Momentum或计算各个指数的加权平均值。Adam论文的作者,在论文里用
β 代表超参数。Batch归一化论文的作者,则使用
β 代表此参数(
β[1],β[2] 等等),但这是两个完全不同的
β 。我在两种情况下都决定使用
β ,以便你阅读那些原创的论文,但Batch归一化学习参数
β[1],β[2] 等等和用于Momentum、Adam、RMSprop算法中的
β 不同。
所以现在,这是你算法的新参数,接下来你可以使用想用的任何一种优化算法,比如使用梯度下降法来执行它。
举个例子,对于给定层,你会计算
dβ[l],接着更新参数
β 为
β[l]=β[l]−αdβ[l] 。你也可以使用Adam或RMSprop或Momentum,以更新参数
β 和
γ ,并不是只应用梯度下降法。
即使在之前的视频中,我已经解释过Batch归一化是怎么操作的,计算均值和方差,减去均值,再除以方差,如果它们使用的是深度学习编程框架,通常你不必自己把Batch归一化步骤应用于Batch归一化层。因此,探究框架,可写成一行代码,比如说,在TensorFlow框架中,你可以用这个函数(tf.nn.batch_normalization
)来实现Batch归一化,我们稍后讲解,但实践中,你不必自己操作所有这些具体的细节,但知道它是如何作用的,你可以更好的理解代码的作用。但在深度学习框架中,Batch归一化的过程,经常是类似一行代码的东西。
所以,到目前为止,我们已经讲了Batch归一化,就像你在整个训练站点上训练一样,或就像你正在使用Batch梯度下降法。
实践中,Batch归一化通常和训练集的mini-batch一起使用。你应用Batch归一化的方式就是,你用第一个mini-batch(
X{1} ),然后计算
z[1] ,这和上张幻灯片上我们所做的一样,应用参数
w[1] 和
b[1] ,使用这个mini-batch(
X{1} )。接着,继续第二个mini-batch(
X{2} ),接着Batch归一化会减去均值,除以标准差,由
β[1] 和
γ[1] 重新缩放,这样就得到了
z~[1] ,而所有的这些都是在第一个mini-batch的基础上,你再应用激活函数得到
a[1] 。然后用
w[2] 和
b[2] 计算
z[2] ,等等,所以你做的这一切都是为了在第一个mini-batch(
X{1} )上进行一步梯度下降法。
类似的工作,你会在第二个mini-batch(
X{2} )上计算
z[1] ,然后用Batch归一化来计算
z~[1] ,所以Batch归一化的此步中,你用第二个mini-batch(
X{2} )中的数据使
z~[1] 归一化,这里的Batch归一化步骤也是如此,让我们来看看在第二个mini-batch(
X{2} )中的例子,在mini-batch上计算
z[1] 的均值和方差,重新缩放的
β 和
γ 得到
z[1] ,等等。
然后在第三个mini-batch(
X{3} )上同样这样做,继续训练。
现在,我想澄清此参数的一个细节。先前我说过每层的参数是
w[l] 和
b[l] ,还有
β[l] 和
γ[l] ,请注意计算
z 的方式如下,
z[l]=w[l]a[l−1]+b[l] ,但Batch归一化做的是,它要看这个mini-batch,先将
z[l] 归一化,结果为均值0和标准方差,再由
β 和
γ 重缩放,但这意味着,无论
b[l] 的值是多少,都是要被减去的,因为在Batch归一化的过程中,你要计算
z[l] 的均值,再减去平均值,在此例中的mini-batch中增加任何常数,数值都不会改变,因为加上的任何常数都将会被均值减去所抵消。
所以,如果你在使用Batch归一化,其实你可以消除这个参数(
b[l] ),或者你也可以,暂时把它设置为0,那么,参数变成
z[l]=w[l]a[l−1] ,然后你计算归一化的
z[l] ,
z~[l]=γ[l]z[l]+β[l] ,你最后会用参数
β[l] ,以便决定
z~[l] 的取值,这就是原因。
所以总结一下,因为Batch归一化超过了此层
z[l] 的均值,
b[l] 这个参数没有意义,所以,你必须去掉它,由
β[l] 代替,这是个控制参数,会影响转移或偏置条件。
最后,请记住
z[l] 的维数,因为在这个例子中,维数会是(
n[l],1 ),
b[l] 的尺寸为(
n[l],1 ),如果是
l 层隐藏单元的数量,那
β[l] 和
γ[l] 的维度也是(
n[l],1 ),因为这是你隐藏层的数量,你有
n[l] 隐藏单元,所以
β[l] 和
γ[l] 用来将每个隐藏层的均值和方差缩放为网络想要的值。
让我们总结一下关于如何用Batch归一化来应用梯度下降法,假设你在使用mini-batch梯度下降法,你运行
t=1 到batch数量的for循环,你会在mini-batch
X{1} 上应用正向prop,每个隐藏层都应用正向prop,用Batch归一化代替
z[l] 为
z~[l] 。接下来,它确保在这个mini-batch中,
z 值有归一化的均值和方差,归一化均值和方差后是
z~[l] ,然后,你用反向prop计算
dw[l] 和
db[l] ,及所有
l 层所有的参数,
dβ[l] 和
dγ[l] 。尽管严格来说,因为你要去掉
b ,这部分其实已经去掉了。最后,你更新这些参数:
w[l]=w[l]−αdw[l] ,和以前一样,
β[l]=β[l]−αdβ[l] ,对于
γ 也是如此
γ[l]=γ[l]−αdγ[l] 。
如果你已将梯度计算如下,你就可以使用梯度下降法了,这就是我写到这里的,但也适用于有Momentum、RMSprop、Adam的梯度下降法。与其使用梯度下降法更新mini-batch,你可以使用这些其它算法来更新,我们在之前几个星期中的视频中讨论过的,也可以应用其它的一些优化算法来更新由Batch归一化添加到算法中的
β 和
γ 参数。
我希望,你能学会如何从头开始应用Batch归一化,如果你想的话。如果你使用深度学习编程框架之一,我们之后会谈。,希望,你可以直接调用别人的编程框架,这会使Batch归一化的使用变得很容易。
现在,以防Batch归一化仍然看起来有些神秘,尤其是你还不清楚为什么其能如此显著的加速训练,我们进入下一个视频,详细讨论Batch归一化为何效果如此显著,它到底在做什么。
课程PPT