Нормализация по мини-партиди (Batch Normalization)
Нормализацията по мини-партиди е техника за обучение, въведена от Сергей Йоффе и Крисчън Сегеди през 2015 г., която нормализира преактивационните изходи на всеки слой, използвайки средната стойност и дисперсията, изчислени върху текущата мини-партида. Чрез стабилизиране на входното разпределение на всеки слой по време на обучението, тя значително намалява вътрешното ковариантно отместване, позволявайки използването на по-високи скорости на обучение и правейки дълбоките мрежи по-бързи и по-надеждни за обучение.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Ioffe, S. & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. Proceedings of the 32nd International Conference on Machine Learning (ICML), PMLR 37, 448–456. link ↗
- Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning (Ch. 8). MIT Press. ISBN: 978-0-262-03561-3
- Ioffe, S. & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. arXiv preprint arXiv:1502.03167. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/bg/deep-learning/batch-normalization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →