Batch Normalization
Batch Normalization er en træningsteknik introduceret af Sergey Ioffe og Christian Szegedy i 2015, som normaliserer præ-aktiveringsoutputtet fra hvert lag ved hjælp af middelværdien og variansen beregnet over den aktuelle mini-batch. Ved at stabilisere inputfordelingen til hvert lag under træningen reducerer den betydeligt internt kovariat-skift, hvilket muliggør brug af højere indlæringshastigheder og får dybe netværk til at træne hurtigere og mere pålideligt.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/da/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 →Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →