最初的问题是关于TensorFlow实现的。但是，答案是针对一般的实现。这个通用答案也是TensorFlow的正确答案。
在TensorFlow中使用批量归一化和辍学时（特别是使用contrib.layers），我需要担心订购吗？
如果我在退出后立即使用批处理规范化，则可能会出现问题。例如，如果批次归一化训练中的偏移量训练输出的比例尺数字较大，但随后将相同的偏移量应用于较小的比例尺数字（由于补偿了具有更多输出的比例尺），而在测试过程中没有丢失，那么轮班可能关闭。TensorFlow批处理规范化层会自动对此进行补偿吗？还是由于某种原因我不会想念这件事吗？
另外，将两者一起使用时还有其他陷阱吗？例如，假设我使用他们以正确的顺序在问候上述（假设有是一个正确的顺序），可以存在与使用分批正常化和漏失在多个连续层烦恼？我没有立即看到问题，但是我可能会丢失一些东西。
非常感谢！
更新：
实验测试似乎表明排序确实很重要。我在相同的网络上运行了两次，但批次标准和退出均相反。当辍学在批处理规范之前时，验证损失似乎会随着培训损失的减少而增加。在另一种情况下，它们都下降了。但就我而言，运动缓慢，因此在接受更多培训后情况可能会发生变化，这只是一次测试。一个更加明确和明智的答案仍然会受到赞赏。
在《Ioffe and Szegedy 2015》中，作者指出：“我们希望确保对于任何参数值，网络始终以期望的分布产生激活”。因此，批处理规范化层实际上是在转换层/完全连接层之后，但在馈入ReLu（或任何其他种类的）激活之前插入的。有关详情，请在53分钟左右观看此视频。
就辍学而言，我相信辍学是在激活层之后应用的。在丢弃纸图3b中，将隐藏层l的丢弃因子/概率矩阵r（l）应用于y（l），其中y（l）是应用激活函数f之后的结果。
因此，总而言之，使用批处理规范化和退出的顺序为：
-> CONV / FC-> BatchNorm-> ReLu（或其他激活）->退出-> CONV / FC->
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句