Batch Normalization
Batch Normalization è una tecnica di addestramento introdotta da Sergey Ioffe e Christian Szegedy nel 2015 che normalizza le uscite pre-attivazione di ciascun layer utilizzando la media e la varianza calcolate sul mini-batch corrente. Stabilizzando la distribuzione di input a ciascun layer durante l'addestramento, riduce sostanzialmente lo spostamento interno dei covariate (internal covariate shift), consentendo l'uso di tassi di apprendimento più elevati e rendendo le reti profonde più veloci e affidabili.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/it/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 →Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →