批量归一化量化Tensorflow 1。x没有最小最大值信息
作为生成输出阵列模型/re_lu_1/Relu的Conv运算符的输入的层（...）缺乏量化所必需的最小/最大数据。如果准确性很重要，可以选择非量化输出格式，或者从浮点检查点使用模型运行量化训练，将输入图更改为包含最小/最大信息。如果您不关心准确性，您可以通过-default_ranges_min=和-default_ranges_max=进行简单的实验。
共有1个答案
对于张量流1。x、 如果要量化，必须将其与伪量化节点一起放置，以激活模型的量化。量化有3个阶段：
- 培训部分：将模型加载到图形中=
然而，最重要的因素是模型中batch_normalization的配置。在尝试了多种配置之后，最好的配置是使用batch_normalization而不使用来自tensorflow.keras.layers的融合选项。其原因是因为Tensorflow希望避免折叠结果被量化。因此，batchNorm后面的激活不会起作用。详情载于[此处][1]
简言之，该层应仅附着在tensorflow下。克拉斯。层。Conv2D带有解析的激活参数，即Relu/Relu6/Identity
如果执行上述过程：Conv2d=
层不会产生错误没有MinMax信息
-
本节我们介绍批量归一化（batch normalization）层，它能让较深的神经网络的训练变得更加容易 [1]。在 “实战Kaggle比赛：预测房价” 一节里，我们对输入数据做了标准化处理：处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。标准化处理输入数据使各个特征的分布相近：这往往更容易训练出有效的模型。 通常来说，数据标准化预处理对于浅层模型就足够有效了。随着模型训练的进行
-
给定一个正整数的矩阵（非正方形），其中同一行上的所有元素都是可置换的，问题是最小化列的最大和和最小和之间的差异。 例如 答案是2。 我试着天真地对它进行分类（合并）
-
我有一个数据集，它有4列/属性和150行。我想用最小最大规范化来规范化这个数据。到目前为止，我的代码是： 这里，和返回全局最小值和最大值。因此，这段代码实际上对2D矩阵中的所有值应用最小-最大规范化，以便全局最小值为0，全局最大值为1。 然而，我想对每一列分别执行相同的操作。具体来说，2D矩阵的每一列都应该独立于其他列进行最小-最大规格化。 我尝试使用只是使用和，但得到的错误说矩阵维度必须一致。
-
问题内容： 半向量的公式为（Hv）=（Lv + Vv）/ | Lv + Vv |，其中Lv是光向量，Vv是视点向量。 我在Python代码中这样做正确吗？ 问题答案： 这是错误的名称。您所写的是两个向量的简单向量加法，结果是归一化的单位向量。 这是我的处理方式：
-
嗨，我有一个带有chartjs的图表，它插入最小值，最大值，平均值之间，带有条形图表。到目前为止，一切都很好，输入了值，我想做的是图形的条形从y轴上的最小值开始定位到y轴上的最大值，我不希望柱线从值0开始。
-
我正在尝试实现批处理规范化(http://arxiv.org/pdf/1502.03167.pdf)在我的卷积神经网络中，我真的很困惑，我应该围绕什么轴来计算均值和方差。 如果conv层的输入为3*224*224*32的形状，其中： 3-输入通道 224*224-单通道形状 32-小批量大小 以下公式中的轴应该是多少？平均值=numpy。平均值（输入层，轴=？） 并且，如果完全连接层的输入为100