Batch-normalisering
Batch Normalization är en träningsteknik som introducerades av Sergey Ioffe och Christian Szegedy 2015. Den normaliserar för-aktiveringsutgångarna för varje lager med hjälp av medelvärdet och variansen beräknade över den aktuella mini-batchen. Genom att stabilisera indatafördelningen till varje lager under träningen minskar den avsevärt intern kovariatförskjutning, vilket möjliggör användning av högre inlärningshastigheter och gör att djupa nätverk tränas snabbare och mer tillförlitligt.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Batch Normalization (Normalizing Layer Activations per Mini-Batch). ScholarGate. https://scholargate.app/sv/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 →Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →