Normalização por Lote
Normalização por Lote (Batch Normalization) é uma técnica de treinamento introduzida por Sergey Ioffe e Christian Szegedy em 2015 que normaliza as saídas pré-ativação de cada camada usando a média e a variância calculadas sobre o mini-lote atual. Ao estabilizar a distribuição de entrada para cada camada durante o treinamento, ela reduz substancialmente o desvio de covariância interna (internal covariate shift), permitindo o uso de taxas de aprendizado mais altas e tornando redes profundas mais rápidas e confiáveis para treinar.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/pt/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 →Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →