Κανονικοποίηση Δέσμης
Η Κανονικοποίηση Δέσμης (Batch Normalization) είναι μια τεχνική εκπαίδευσης που εισήχθη από τους Sergey Ioffe και Christian Szegedy το 2015 και κανονικοποιεί τις προ-ενεργοποιητικές εξόδους κάθε επιπέδου χρησιμοποιώντας τον μέσο όρο και τη διακύμανση που υπολογίζονται από την τρέχουσα μίνι-δέσμη. Σταθεροποιώντας την κατανομή εισόδου σε κάθε επίπεδο καθ' όλη τη διάρκεια της εκπαίδευσης, μειώνει σημαντικά την εσωτερική μετατόπιση συναρτήσεων (internal covariate shift), επιτρέποντας τη χρήση υψηλότερων ρυθμών μάθησης και καθιστώντας τα βαθιά δίκτυα ταχύτερα και πιο αξιόπιστα.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/el/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.
- Απόρριψη (Dropout)Βαθιά Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →