Normalizacja wsadowa
Normalizacja wsadowa (Batch Normalization) to technika treningowa wprowadzona przez Siergieja Ioffego i Christiana Szegedy'ego w 2015 roku, która normalizuje wyjścia przedaktywacyjne każdej warstwy, wykorzystując średnią i wariancję obliczone dla bieżącej mini-partii. Stabilizując rozkład wejściowy dla każdej warstwy w trakcie treningu, znacząco redukuje wewnętrzne przesunięcie kowariancji, umożliwiając stosowanie wyższych współczynników uczenia i sprawiając, że głębokie sieci trenują szybciej i bardziej niezawodnie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/pl/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 →Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →