نرمالسازی دستهای (Batch Normalization)
نرمالسازی دستهای (Batch Normalization) یک تکنیک آموزشی است که توسط سرگئی ایف و کریستین سگدی در سال ۲۰۱۵ معرفی شد و خروجیهای پیشفعالسازی هر لایه را با استفاده از میانگین و واریانس محاسبهشده بر روی مینیبچ فعلی نرمال میکند. با پایدار کردن توزیع ورودی به هر لایه در طول آموزش، به طور قابلتوجهی شیفت هموردای داخلی (internal covariate shift) را کاهش میدهد و امکان استفاده از نرخهای یادگیری بالاتر را فراهم میآورد و شبکههای عمیق را سریعتر و مطمئنتر آموزش میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/fa/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.
- قطع تصادفییادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →