tensorflow: bn层的 decay参数项

JNingWei

发布于 2018-09-28 15:39:59

2.1K0

发布于 2018-09-28 15:39:59

文章被收录于专栏：JNing的专栏JNing的专栏

实验：

探究 batch normalization 过程中的 decay 参数项在 train 和 test 过程中的不同作用。

结论：

train 过程改变参数，而 test 过程不改变参数；
test过程中直接沿用了train出来的参数进行计算；
decay参数项目虽然在 train 和 test 过程中都有，在train过程中，不对求解结果产生影响，只对求解结束时参数项的偏移程度产生影响；
当 decay=1 时，train求解过程结束后，虽然计算结果是正确的，但是内存中的参数项没有得到相应的偏移，直接导致了调用这些参数项的test过程无法进行归一化计算。

验证代码：

在 decay=0 （即移动偏移无损失）时：

import tensorflow as tf


def func(in_put, layer_name, is_training=True):
    with tf.variable_scope(layer_name, reuse=tf.AUTO_REUSE):
        bn = tf.contrib.layers.batch_norm(inputs=in_put,
                                          decay=0,
                                          is_training=is_training,
                                          updates_collections=None)
    return bn

def main():

    with tf.Graph().as_default():
        # input_x：只使用一套input_x，以控制变量进行对照试验
        input_x = tf.placeholder(dtype=tf.float32, shape=[1, 4, 4, 1])
        import numpy as np
        i_p = np.random.uniform(low=0, high=255, size=[1, 4, 4, 1])
        # outputs：画好 train 和 test 状态下不同的数据流图，分别放在outputs[0]和outputs[1]里
        outputs = [0, 0]
        for i, is_training in enumerate([True, False]):
            outputs[i] = func(input_x, 'my', is_training=is_training)
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            # 先 train ，再用 train 训练好的 'my/BatchNorm/moving_mean:0' 和'my/BatchNorm/moving_variance:0' 去跑 test
            for i in xrange(2):
                # 跑 train/test 之前的参数
                print '\n\n-------------\n\n'
                for (x, y) in zip(tf.global_variables(), sess.run(tf.global_variables())):
                    print '\n', x, ':\n', y
                # 跑 train/test
                t = sess.run(outputs[i], feed_dict={input_x:i_p})
                print t
                # 跑完 train/test 之后的参数
                for (x, y) in zip(tf.global_variables(), sess.run(tf.global_variables())):
                    print '\n', x, ':\n', y

if __name__ == "__main__":
    main()

观察：由以下打印出的 output 可知，经过train之后，’my/BatchNorm/moving_mean:0’ 变成了[ 114.78817749]、’my/BatchNorm/moving_variance:0’ 变成了[ 5496.60107422]。

结论： 1. train 过程改变参数，而 test 过程不改变参数； 2. test过程中直接沿用了train出来的参数进行计算。

2017-09-29 09:08:27.739093: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1052] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0, compute capability: 6.1)


------------- # train


<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 1.]
[[[[ 0.27311635]
   [-0.7590425 ]
   [-0.4103117 ]
   [-1.40655911]]

  [[-0.25747275]
   [ 0.40145767]
   [ 0.46040225]
   [ 1.17546725]]

  [[-1.32714963]
   [-1.20369065]
   [-0.08007884]
   [-0.7148838 ]]

  [[ 1.18637156]
   [ 1.85863471]
   [-0.70913869]
   [ 1.51287651]]]]

<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

# 经过train之后，'my/BatchNorm/moving_mean:0' 变成了[ 114.78817749]、
# 'my/BatchNorm/moving_variance:0'  变成了[ 5496.60107422]。
<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 114.78817749]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 5496.60107422]


------------- # test


# test过程中直接沿用了train出来的参数进行计算。
<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 114.78817749]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 5496.60107422]
[[[[ 0.27311635]
   [-0.7590425 ]
   [-0.4103117 ]
   [-1.40655911]]

  [[-0.25747275]
   [ 0.40145767]
   [ 0.46040225]
   [ 1.17546725]]

  [[-1.32714963]
   [-1.20369065]
   [-0.08007884]
   [-0.7148838 ]]

  [[ 1.18637156]
   [ 1.85863471]
   [-0.70913869]
   [ 1.51287651]]]]

<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

# test过程中，'my/BatchNorm/moving_mean:0'、
# 'my/BatchNorm/moving_variance:0' 不发生变化。
<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 114.78817749]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 5496.60107422]

Process finished with exit code 0

在 decay=1 （即移动偏移全损失）时：

import tensorflow as tf


def func(in_put, layer_name, is_training=True):
    with tf.variable_scope(layer_name, reuse=tf.AUTO_REUSE):
        bn = tf.contrib.layers.batch_norm(inputs=in_put,
                                          decay=1,
                                          is_training=is_training,
                                          updates_collections=None)
    return bn


def main():

    with tf.Graph().as_default():
        # input_x
        input_x = tf.placeholder(dtype=tf.float32, shape=[1, 4, 4, 1])
        import numpy as np
        i_p = np.random.uniform(low=0, high=255, size=[1, 4, 4, 1])
        # outputs
        outputs = [0, 0]
        for i, is_training in enumerate([True, False]):
            outputs[i] = func(input_x, 'my', is_training=is_training)
        with tf.Session() as sess:
            sess.run(tf.global_variables_initializer())
            for i in xrange(2):
                print '\n\n-------------\n\n'
                for (x, y) in zip(tf.global_variables(), sess.run(tf.global_variables())):
                    print '\n', x, ':\n', y
                t = sess.run(outputs[i], feed_dict={input_x:i_p})
                print t
                for (x, y) in zip(tf.global_variables(), sess.run(tf.global_variables())):
                    print '\n', x, ':\n', y
                # print (sess.run(tf.get_variable('my/BatchNorm/beta:0')))

if __name__ == "__main__":
    main()

观察：由以下打印出的 output 可知，decay=1时，经过train之后，’my/BatchNorm/moving_mean:0’ 变成了[ 114.78817749]、 ‘my/BatchNorm/moving_variance:0’ 变成了[ 5496.60107422]。test过程中沿用了train过程中改变的参数值，但是test结果并没有被归一化。

结论： 1. decay参数项目虽然在 train 和 test 过程中都有，在train过程中，不对求解结果产生影响，只对求解结束时参数项的偏移程度产生影响。当 decay=1 时，train求解过程结束后，虽然计算结果是正确的，但是内存中的参数项没有得到相应的偏移，直接导致了调用这些参数项的test过程无法进行归一化计算。

2017-09-29 09:10:34.590984: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1052] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0, compute capability: 6.1)


------------- # train


<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 1.]
# decay参数项 不影响 train 过程的计算结果
[[[[ 1.58194923]
   [ 1.092067  ]
   [ 0.90377307]
   [-0.54407573]]

  [[-1.40420842]
   [-1.2678678 ]
   [-2.07936239]
   [-0.7029525 ]]

  [[ 0.66369891]
   [ 0.8902123 ]
   [-0.08132553]
   [-0.80555594]]

  [[ 0.52472615]
   [ 0.6974256 ]
   [ 0.22497487]
   [ 0.30652118]]]]

<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

# decay参数项 会影响 train过程的 参数值 变化
<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 1.]


------------- # test


<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 1.]
# 由于从train继承来的参数值的缘故，test过程中的计算变成了 非归一化计算
[[[[ 223.02729797]
   [ 193.41201782]
   [ 182.02893066]
   [  94.50087738]]

  [[  42.50252914]
   [  50.74484634]
   [   1.68685985]
   [  84.89615631]]

  [[ 167.51550293]
   [ 181.2091217 ]
   [ 122.47590637]
   [  78.69338226]]

  [[ 159.11407471]
   [ 169.5544281 ]
   [ 140.99295044]
   [ 145.92274475]]]]

<tf.Variable 'my/BatchNorm/beta:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_mean:0' shape=(1,) dtype=float32_ref> :
[ 0.]

<tf.Variable 'my/BatchNorm/moving_variance:0' shape=(1,) dtype=float32_ref> :
[ 1.]

Process finished with exit code 0

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2017年09月29日，如有侵权请联系 cloudcommunity@tencent.com 删除

其他

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

其他

登录后参与评论

0 条评论

热度