groupnorm
为每个观察独立地在分组的通道子集中规范化数据
语法
描述
组归一化操作对每个观测的输入数据分别进行归一化处理。为了加快卷积神经网络的训练速度,降低网络初始化的敏感性,在卷积和非线性操作之间使用分组归一化线性整流函数(Rectified Linear Unit)
.
归一化之后,该操作将输入偏移一个可学习的偏移量β用一个可学习的比例因子进行缩放γ.
的groupnorm
函数将组归一化操作应用于dlarray
数据。使用dlarray
对象允许对维度进行标记,从而使处理高维数据更加容易。方法标识哪些维度对应于空间、时间、通道和批处理维度“S”
,“T”
,“C”
,“B”
标签,分别。对于未指定的和其他维度,请使用“U”
标签。为dlarray
对象函数对特定维度进行操作时,可以通过格式化dlarray
对象直接调用,或使用DataFormat
选择。
请注意
将组规范化应用于layerGraph
对象或层
数组,使用groupNormalizationLayer
.
将组规范化操作应用于输入数据Y
= groupnorm (X
,numGroups
,抵消
,scaleFactor
)X
使用指定数量的组,并使用指定的偏移量和比例因子对其进行转换。
函数的分组子集归一化“C”
(通道)维度和“年代”
(空间),“T”
(时间)“U”
(不明)的尺寸X
对于每一个观察“B”
独立(批)维度。
对于未格式化的输入数据,请使用“DataFormat”
选择。
将组规范化操作应用于未格式化的Y
= groupnorm (X
,numGroups
,抵消
,scaleFactor
、“DataFormat”FMT)dlarray
对象X
格式由FMT
.输出Y
是一个非格式化dlarray
的对象,其维度顺序与X
.例如,“DataFormat”、“SSCB”
指定有格式的二维图像输入数据“SSCB”
(空间,空间,渠道,批处理)。
例子
输入参数
输出参数
算法
组规范化操作规范化元素x我通过先计算均值来计算输入μG和方差σG2在空间,时间和分组子集的通道尺寸为每个观测独立。然后,它计算归一化激活为
在哪里ϵ是一个常数,当方差非常小时,它可以提高数值的稳定性。为了考虑均值和单位方差为零的输入对于组归一化之后的操作不是最优的可能性,组归一化操作使用转换进一步转移和缩放激活
的偏移量β和规模因素γ是在网络训练过程中更新的可学习参数。
参考文献
[1]吴宇欣和何开明。“组织正常化。”预印本提交2018年6月11日。https://arxiv.org/abs/1803.08494。
扩展功能
版本历史
介绍了R2020b