Batch Normalization
Batch Normalization on trainingukatekniikka, jonka Sergey Ioffe ja Christian Szegedy esittelivät vuonna 2015, normalisoi kunkin kerroksen esiprekaktivaatioiden ulostulot laskemalla keskiarvon ja varianssin nykyisen minierän yli. Vakauttamalla kunkin kerroksen syötteen jakaumaa koulutuksen aikana se vähentää merkittävästi sisäistä kovariaattisiirtymää, mahdollistaen suurempien oppimisnopeuksien käytön ja tehden syvistä verkoista nopeampia ja luotettavampia kouluttaa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/fi/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 →Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →