Tensorflow中正确的批次标准化功能是什么？
在tensorflow 1.4中，我发现了两个执行批处理规范化的函数，它们看起来相同：
tf.layers.batch_normalization（链接）tf.contrib.layers.batch_norm（链接）
我应该使用哪个功能？哪一个更稳定？
问题答案：
只是添加到列表中，还有其他几种方法可以在tensorflow中进行批处理规范：
tf.nn.batch_normalization是低级操作。调用者负责自己处理mean和variance张量。tf.nn.fused_batch_norm是另一个低级操作，类似于上一个操作。不同之处在于它针对4D输入张量进行了优化，这在卷积神经网络中很常见。tf.nn.batch_normalization接受任何大于1的等级的张量tf.layers.batch_normalization是先前操作的高级包装。最大的区别在于，它负责创建和管理运行均值和方差张量，并在可能时调用快速融合的op。通常，这应该是您的 默认选择 。tf.contrib.layers.batch_norm是批处理规范的早期实现，它已逐步升级为核心API（即tf.layers）。不建议使用它，因为在将来的版本中可能会删除它。tf.nn.batch_norm_with_global_normalization是另一个已弃用的操作。当前，将呼叫委托给tf.nn.batch_normalization，但将来可能会中断。- 最后，还有
keras.layers.BatchNormalizationKeras层，在tensorflow后端调用的情况下可以使用tf.nn.batch_normalization。
-
我的问题是批处理规范化（BN）正在规范化什么。 我在问，BN是单独标准化每个像素的通道还是一起标准化所有像素的通道。它是在每张图像的基础上还是在整个批次的所有通道上进行的。 具体而言，BN在X上运行。比如说，。因此，当轴=3时，它在“c”维度上运行，即通道数（对于rgb）或特征图数。 因此，假设X是rgb，因此有3个通道。BN是否做到了以下几点：（这是BN的简化版本，用于讨论维度方面。我知道gam
-
我想出了以下几点：
-
问题内容： 在ICU项目（也现在有一个PHP库）中包含有需要帮助恢复正常UTF-8串类，使搜索时更容易地比较值。 但是，我试图弄清楚这对应用程序意味着什么。例如，在哪种情况下，我想要“规范对等”而不是“兼容性对等”，反之亦然？ 问题答案： 规范化归一化 Unicode包括多种编码某些字符（最著名的是重音字符）的方法。规范化规范将代码点更改为规范编码形式。生成的代码点应与原始代码点相同，除非字体或渲
-
但似乎每个tensorflow实现（包括这个和官方的tensorflow实现）都使用（指数）移动平均和方差。 请原谅我，但我不明白为什么。是不是因为使用移动平均值对性能更好？还是纯粹为了计算速度？ 参考：原稿
-
本文向大家介绍什么是数据标准化，为什么要进行数据标准化？相关面试题，主要包含被问及什么是数据标准化，为什么要进行数据标准化？时的应答技巧和注意事项，需要的朋友参考一下 数据标准化是预处理步骤，将数据标准化到一个特定的范围能够在反向传播中保证更好的收敛。一般来说，是将该值将去平均值后再除以标准差。如果不进行数据标准化，有些特征（值很大）将会对损失函数影响更大（就算这个特别大的特征只是改变了1%，但是
-
问题内容： 在Transact-SQL中，批处理是一组一起提交并作为一个组执行的SQL语句，一个接一个地执行。批处理可以存储在命令文件中。 包含多个SQL语句的* .sql文件是否被视为批处理？我们还认为批次是什么？ 问题答案： 包含多个sql语句的* .sql文件是否被视为批处理？ 有点。一个文件通常是一个批处理，但它也可能包含若干批次。您可以通过批处理分隔符来分隔单独的批处理。您可能需要在一个