► Keras 3 API 文档 / 层 API / 标准化层 / BatchNormalization 层

BatchNormalization 层

`BatchNormalization` 类

keras.layers.BatchNormalization(
    axis=-1,
    momentum=0.99,
    epsilon=0.001,
    center=True,
    scale=True,
    beta_initializer="zeros",
    gamma_initializer="ones",
    moving_mean_initializer="zeros",
    moving_variance_initializer="ones",
    beta_regularizer=None,
    gamma_regularizer=None,
    beta_constraint=None,
    gamma_constraint=None,
    synchronized=False,
    **kwargs
)

对输入进行标准化的层。

批标准化应用一种变换，使平均输出接近 0，输出标准差接近 1。

重要的是，批标准化在训练和推理期间的工作方式不同。

训练期间（即使用 fit() 或使用参数 training=True 调用层/模型时），该层使用当前批次输入的均值和标准差对其输出进行标准化。也就是说，对于每个要标准化的通道，该层返回 gamma * (batch - mean(batch)) / sqrt(var(batch) + epsilon) + beta，其中

epsilon 是一个小常数（可在构造函数参数中配置）
gamma 是一个学习到的缩放因子（初始化为 1），可以通过将 scale=False 传递给构造函数来禁用。
beta 是一个学习到的偏移因子（初始化为 0），可以通过将 center=False 传递给构造函数来禁用。

推理期间（即使用 evaluate() 或 predict() 或使用参数 training=False（默认为此值）调用层/模型时），该层使用训练期间看到的批次的均值和标准差的移动平均值对其输出进行标准化。也就是说，它返回 gamma * (batch - self.moving_mean) / sqrt(self.moving_var+epsilon) + beta。

self.moving_mean 和 self.moving_var 是非可训练变量，每次在训练模式下调用该层时都会更新，因此

moving_mean = moving_mean * momentum + mean(batch) * (1 - momentum)
moving_var = moving_var * momentum + var(batch) * (1 - momentum)

因此，该层只有在在与推理数据具有相似统计信息的数据上进行训练后，才会在推理期间对其输入进行标准化。

参数

axis：整数，应标准化的轴（通常是特征轴）。例如，在使用 data_format="channels_first" 的 Conv2D 层之后，使用 axis=1。
momentum：移动平均值的动量。
epsilon：添加到方差中的小浮点数，以避免除以零。
center：如果 True，则将 beta 的偏移量添加到标准化张量中。如果 False，则忽略 beta。
scale：如果 True，则乘以 gamma。如果 False，则不使用 gamma。当下一层是线性层时，可以禁用此选项，因为缩放将由下一层完成。
beta_initializer：beta 权重的初始化器。
gamma_initializer：gamma 权重的初始化器。
moving_mean_initializer：移动平均值的初始化器。
moving_variance_initializer：移动方差的初始化器。
beta_regularizer：beta 权重的可选正则化器。
gamma_regularizer：gamma 权重的可选正则化器。
beta_constraint：beta 权重的可选约束。
gamma_constraint：gamma 权重的可选约束。
synchronized：仅适用于 TensorFlow 后端。如果 True，则在分布式训练策略中，在每个训练步骤中跨所有设备同步层的全局批次统计信息（均值和方差）。如果 False，则每个副本使用其自己的本地批次统计信息。
**kwargs：基础层关键字参数（例如 name 和 dtype）。

调用参数

inputs：输入张量（任何秩）。
training：Python 布尔值，指示层应在训练模式下还是推理模式下运行。
- training=True：该层将使用当前批次输入的均值和方差对其输入进行标准化。
- training=False：该层将使用其在训练期间学习的移动统计信息的均值和方差对其输入进行标准化。
mask：可广播到 inputs 张量的形状的二进制张量，其中 True 值指示应计算均值和方差的位置。在训练期间，当前输入的掩码元素不会被考虑在均值和方差计算中。任何先前的未掩码元素值都将被考虑在内，直到它们的动量过期。

参考文献

Ioffe 和 Szegedy，2015.

关于在 BatchNormalization 层上设置 layer.trainable = False

设置 layer.trainable = False 的含义是冻结该层，即其内部状态在训练期间不会改变：其可训练权重在 fit() 或 train_on_batch() 期间不会更新，并且其状态更新不会运行。

通常，这并不一定意味着该层在推理模式下运行（通常由调用层时可以传递的 training 参数控制）。“冻结状态”和“推理模式”是两个不同的概念。

但是，在 BatchNormalization 层的情况下，在层上设置 trainable = False 意味着该层随后将在推理模式下运行（这意味着它将使用移动均值和移动方差来标准化当前批次，而不是使用当前批次的均值和方差）。

请注意

在包含其他层的模型上设置 trainable 将递归地设置所有内部层的 trainable 值。
如果在模型上调用 compile() 后更改了 trainable 属性的值，则此新值对该模型无效，直到再次调用 compile() 为止。

BatchNormalization 层

BatchNormalization 类

BatchNormalization 层

BatchNormalization 类

`BatchNormalization` 类