Normalisasi Mini-batch
Normalisasi Mini-batch adalah teknik pelatihan yang diperkenalkan oleh Sergey Ioffe dan Christian Szegedy pada tahun 2015 yang menormalisasi keluaran pra-aktivasi setiap lapisan menggunakan rata-rata dan varians yang dihitung dari mini-batch saat ini. Dengan menstabilkan distribusi masukan ke setiap lapisan selama pelatihan, teknik ini secara substansial mengurangi pergeseran kovariat internal, memungkinkan penggunaan laju pembelajaran yang lebih tinggi dan membuat jaringan dalam (deep networks) terlatih lebih cepat dan lebih andal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/id/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 →Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →