Batch-Normalisierung
Batch-Normalisierung ist eine von Sergey Ioffe und Christian Szegedy im Jahr 2015 eingeführte Trainingstechnik, die die Prä-Aktivierungsausgaben jeder Schicht mithilfe des Mittelwerts und der Varianz normalisiert, die über den aktuellen Mini-Batch berechnet werden. Durch die Stabilisierung der Eingangsverteilung jeder Schicht während des Trainings reduziert sie den internen Kovarianz-Shift erheblich, was die Verwendung höherer Lernraten ermöglicht und tiefe Netzwerke schneller und zuverlässiger trainierbar macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/de/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 →Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →