如何使用Keras作為高級API在Tensorflow上實現批量規范化

Question

在訓練和推論中，BatchNormalization（BN）的操作略有不同。 在訓練中，它使用當前迷你批次的平均值和方差來縮放其輸入； 這意味着應用批量標准化的確切結果不僅取決於當前輸入，還取決於微型批量的所有其他元素。 當在推理模式下我們想要確定的結果時，這顯然是不希望的。 因此，在這種情況下，將使用整個訓練集的全局平均值和方差的固定統計量。

在Tensorflow中，此行為由布爾開關training控制，在調用圖層時需要指定布爾開關training ，請參閱https://www.tensorflow.org/api_docs/python/tf/keras/layers/BatchNormalization 。 使用Keras高級API時如何處理此開關？ 我是否假設根據我們使用的是model.fit(x, ...)還是model.predict(x, ...)是自動處理的方法正確嗎？

---

為了測試這一點，我編寫了這個示例。 我們從隨機分布開始，我們想對輸入是正還是負進行分類。 但是，我們還有一個來自不同分布的測試數據集，其中輸入偏移了2（因此標簽檢查x是否大於2）。

import numpy as np
from math import ceil
from tensorflow.python.data import Dataset
from tensorflow.python.keras import Input, Model
from tensorflow.python.keras.layers import Dense, BatchNormalization

np.random.seed(18)
xt = np.random.randn(10_000, 1)
yt = np.array([[int(x > 0)] for x in xt])
train_data = Dataset.from_tensor_slices((xt, yt)).shuffle(10_000).repeat().batch(32).prefetch(2)

xv = np.random.randn(100, 1)
yv = np.array([[int(x > 0)] for x in xv])
valid_data = Dataset.from_tensor_slices((xv, yv)).repeat().batch(32).prefetch(2)

xs = np.random.randn(100, 1) + 2
ys = np.array([[int(x > 2)] for x in xs])
test_data = Dataset.from_tensor_slices((xs, ys)).repeat().batch(32).prefetch(2)

x = Input(shape=(1,))
a = BatchNormalization()(x)
a = Dense(8, activation='sigmoid')(a)
a = BatchNormalization()(a)
y = Dense(1, activation='sigmoid')(a)
model = Model(inputs=x, outputs=y, )
model.summary()

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(train_data, epochs=10, steps_per_epoch=ceil(10_000 / 32), validation_data=valid_data,
          validation_steps=ceil(100 / 32))
zs = model.predict(test_data, steps=ceil(100 / 32))
print(sum([ys[i] == int(zs[i] > 0.5) for i in range(100)]))

運行代碼將輸出值0.5，這意味着一半示例已正確標記。 如果系統使用培訓集上的全局統計數據來實施BN，這就是我所期望的。

如果我們將BN層更改為讀取

x = Input(shape=(1,))
a = BatchNormalization()(x, training=True)
a = Dense(8, activation='sigmoid')(a)
a = BatchNormalization()(a, training=True)
y = Dense(1, activation='sigmoid')(a)

然后再次運行代碼，我們發現0.87。 始終強制訓練狀態，正確預測的百分比已更改。 這與model.predict(x, ...)現在使用小批量的統計信息來實現BN的想法是一致的，因此能夠稍微“校正”訓練和測試之間的源分布不匹配。數據。

那是對的嗎？

Answer 1

如果我正確地理解了您的問題，那么是的，keras會根據fit與predict / evaluate自動管理訓練與推理行為。 該標志稱為learning_phase ，它確定批處理規范，退出和可能的其他情況的行為。 當前的學習階段可以通過keras.backend.learning_phase() ，並通過keras.backend.set_learning_phase()設置。

https://keras.io/backend/#learning_phase