Normalización por lotes
La Normalización por lotes es una técnica de entrenamiento introducida por Sergey Ioffe y Christian Szegedy en 2015 que normaliza las salidas de preactivación de cada capa utilizando la media y la varianza calculadas sobre el minilote actual. Al estabilizar la distribución de entrada a cada capa durante el entrenamiento, reduce sustancialmente el desplazamiento interno de covarianza, permitiendo el uso de tasas de aprendizaje más altas y haciendo que las redes profundas entrenen más rápido y de manera más confiable.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/es/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 →Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →