נרמול אצווה
נרמול אצווה (Batch Normalization) הוא טכניקת אימון שהוצגה על ידי סרגיי יופה וכריסטיאן שגדי בשנת 2015, המנרמלת את הפלטים הקדם-אקטיבציה של כל שכבה תוך שימוש בממוצע ובשונות המחושבים על פני האצווה הקטנה (mini-batch) הנוכחית. על ידי ייצוב התפלגות הקלט לכל שכבה לאורך האימון, הוא מפחית באופן משמעותי את ההסטה הקווריאנטית הפנימית (internal covariate shift), ומאפשר שימוש בקצבי למידה גבוהים יותר ומבטיח רשתות עמוקות מתאמנות מהר יותר ובאופן אמין יותר.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- 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 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/he/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 →