BatchNorm1D

Описание

Info

Родительский класс: BatchNormND

Производные классы: -

Данный модуль реализует операцию батч-нормализации для трехмерных тензоров типа (batchsize, maps, insize), например, после одномерных сверточных слоёв. Для более подробной теоретической информации см. BatchNormND.

Инициализация

def __init__(self, maps, epsilon=1e-5, initFactor=1.0, minFactor=0.1, sscale=0.01, affine=True, name=None, empty=False, inplace=False):

Параметры

Параметр	Возможные типы	Описание	По умолчанию
size	int	Количество входных признаков	-
epsilon	float	Стабилизирующая константа	1e-5
initFactor	float	Начальное значение коэффициента сохранения в скользящем среднем	1.0
minFactor	float	Минимальное значение коэффициента сохранения в скользящем среднем	0.1
sscale	float	Дисперсия гауссовского распределения для масштабов scale batch нормализации	0.01
affine	bool	Если True, слой будет иметь обучаемые аффинные параметры scale и bias	True
name	str	Имя слоя	None
empty	bool	Если True, то тензоры параметров модуля не инициализируются	False
inplace	bool	Если True, то выходной тензор будет записан в памяти на место входного	False

Пояснения

Note

Для того чтобы понять, как используются initFactor и minFactor, следует упомянуть, что для расчёта статистических параметров в модуле используется принцип скользящего среднего, т.е.: \begin{equation} \hat{\mu} = \alpha\hat{\mu} + (1 - \alpha)\mu \end{equation} \begin{equation} \hat{\sigma}^2 = \alpha\hat{\sigma}^2 + (1 - \alpha)\sigma^2 \end{equation}

где

$\hat{\mu}$, $\mu$ - скользящее среднее и среднее на батче соответственно;
$\hat{\sigma^2}$, $\sigma^2$ - скользящая дисперсия и дисперсия на батче соответственно;
$\alpha$ - коэффициент сохранения.

$\alpha$ в модуле рассчитывается следующим образом: $$ \alpha = max(\frac{IF}{n}, MF) $$

где

$IF$ - initFactor, $MF$ - minFactor, $n$ - номер батча.

size - количество входных признаков, т.е. ось maps тензора вида (batchsize, maps, insize);

---

epsilon - небольшое число, добавляющееся при нормализации признаков для предотвращения деления на ноль (см. теорию в BatchNormND);

---

affine - флаг, который отвечает за то, будут ли scale и bias параметры слоя батч-нормализации обучаемыми, либо они будут зафиксированы (1 и 0 соответственно), в следствие чего слой будет проводить только операцию нормализации по среднему и дисперсии;

---

inplace - флаг, показывающий, нужно ли выделять дополнительные ресурсы памяти для результата. Если True, то выходной тензор будет записан в памяти на место входного, что может негативно отразиться на работе сети, если входной тензор должен принимать участие в расчётах на других ветках графа.

Примеры

Необходимые импорты.

import numpy as np
from PuzzleLib.Backend import gpuarray
from PuzzleLib.Modules import BatchNorm1D

Info

gpuarray необходим для правильного размещения тензора на GPU

Создадим синтетический тензор данных, удобный для демонстрации работы модуля:

batchsize, maps, size = 3, 2, 2
data = gpuarray.to_gpu(np.arange(batchsize * maps * size).reshape(batchsize, maps, size).astype(np.float32))
print(data)

[[[ 0.  1.]
  [ 2.  3.]]

 [[ 4.  5.]
  [ 6.  7.]]

 [[ 8.  9.]
  [10. 11.]]]

Инициализируем объект класса с параметрами по умолчанию и применяем к данным:

bn = BatchNorm1D(maps)
bn(data)

Можно посмотреть значения среднего и дисперсии, которые были вычислены:

print(bn.mean)

[[[[4.5]]

  [[6.5]]]]

print(bn.var)

[[[[13.100001]]

  [[13.100001]]]]

Инициализированные масштабы и сдвиги по умолчанию (масштабы - случайно нормально распределённые, сдвиги - нулевые):

print(bn.scale)

[[[[1.006838 ]]

  [[1.0114421]]]]

print(bn.bias)

[[[[0.]]

  [[0.]]]]

Окончательный вид данных, прошедших через модуль:

print(bn.data)

[[[-1.3712823  -1.0665529 ]
  [-1.377553   -1.0714301 ]]

 [[-0.15236473  0.15236467]
  [-0.15306139  0.15306151]]

 [[ 1.0665529   1.3712823 ]
  [ 1.0714302   1.3775531 ]]]