Machine learning
배치 정규화
배치 정규화(Batch Normalization)는 Sergey Ioffe와 Christian Szegedy가 2015년에 소개한 훈련 기법으로, 각 계층의 사전 활성화(pre-activation) 출력을 현재 미니배치(mini-batch)에서 계산된 평균과 분산을 사용하여 정규화합니다. 훈련 과정 전반에 걸쳐 각 계층으로 들어가는 입력 분포를 안정화함으로써, 내부 공변량 이동(internal covariate shift)을 상당히 줄여 더 높은 학습률을 사용할 수 있게 하고 심층 신경망을 더 빠르고 안정적으로 훈련할 수 있도록 합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- 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 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/ko/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 →