Batču normalizācija
Batču normalizācija ir apmācību paņēmiens, ko 2015. gadā ieviesa Sergejs Ioffe un Kristiāns Szegedy, normalizējot katra slāņa pirmsaktivācijas izvades, izmantojot vidējo aritmētisko un dispersiju, kas aprēķināta no pašreizējās mini-batčas. Stabilizējot katra slāņa ievades sadalījumu apmācību laikā, tas būtiski samazina iekšējo kovariācijas nobīdi, ļaujot izmantot augstākus mācīšanās koeficientus un padarot dziļos tīklus apmācāmus ātrāk un uzticamāk.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/lv/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 →Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →