Batch Normalization
Batch Normalization is een trainingstechniek geïntroduceerd door Sergey Ioffe en Christian Szegedy in 2015 die de pre-activatie-uitvoer van elke laag normaliseert met behulp van het gemiddelde en de variantie berekend over de huidige mini-batch. Door de invoerverdeling van elke laag tijdens de training te stabiliseren, vermindert het de interne covariantiestroom aanzienlijk, waardoor hogere leersnelheden mogelijk zijn en diepe netwerken sneller en betrouwbaarder trainen.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/nl/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 →Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →