machine-learning - 测试期间的批量标准化

Question

对于测试期间的批量标准化，如何计算每个激活输入（在每一层和输入维度中）的均值和方差？是记录训练的均值和方差，计算整个训练集的均值和方差，还是计算整个测试集的均值和方差？

很多人说要预先计算均值和方差，但是如果使用计算整个测试集的均值和方差的方法，是不是需要在进行前向传播时计算整个测试集的均值和方差？ （不是“前”）？

非常感谢您的帮助！

Answer 1

当您在测试中进行预测时，您总是使用训练的统计数据——无论是简单的转换还是批量标准化。

我建议尝试 cs231n 课程以了解更多信息。以下是我在执行此代码时编写批处理规范化的方法：github 链接。

如果测试统计数据与训练有显着差异，这意味着测试总体上是不同的，模型将无法正常工作。在这种情况下，无论如何您都需要找到不同的训练数据。但更准确地说 - 当您在以某种方式处理的数据上训练模型时，它在以不同方式处理的数据上效果不佳。

让我们假设只有 1 个测试样本 - 即您想为一个客户或其他什么进行预测。在这种情况下，您根本无法计算测试统计信息。其次，让我们进行批量标准化。数据已标准化，现在的值显示原始数据与某个平均值有多少标准偏差。因此模型将使用此信息进行训练）。如果您使用测试统计数据对测试数据进行标准化，则值将显示与不同平均值的偏差。

Answer 2

在训练时记录经验均值和方差，例如稍后用于测试集的运行平均值，而不是计算每个测试批次的均值和方差。