独立地对每个观察的每个通道进行规格化
实例规范化操作独立地规范化每个观察的每个通道上的输入数据。为了提高卷积神经网络训练的收敛性,降低对网络超参数的敏感性,在卷积和非线性运算之间使用实例归一化,如雷卢
.
在归一化之后,操作通过可学习的偏移移动输入β并通过学习的比例因子来缩放它γ..
这个instanceNorm.
函数将层规范化操作应用于dlarray.
数据使用dlarray.
通过允许您标记尺寸,对象使高维数据更容易。例如,您可以使用使用的标记对应于空间,时间,频道和批处理尺寸的维度标记“S”
,“t”
,“C”
, 和“b”
标签。对于未指定尺寸和其他尺寸,请使用“U”
标签。为了dlarray.
对于在特定标注上操作的对象函数,可以通过格式化dlarray.
对象,或使用数据格式
选项。
笔记
在应用程序中应用实例规范化分层图
对象或者层
数组,使用instanceNormalizationLayer
.
将实例归一化操作应用于输入数据德利
=instancenorm(dlX
,抵消
,缩放因子
)dlX
并使用指定的偏移和比例因子进行变换。
该函数在函数的分组子集上进行规格化'S'
(空间),“不”
(时间和“你”
(未指定的)尺寸dlX
对于中的每个观察结果“C”
(频道)及“B”
(批量)尺寸独立。
对于未格式化的输入数据,请使用'datomformat'
选项。
实例规范化操作规范化元素x我首先计算平均值的输入μ.我和方差σ.我2.在每次观测中,独立地计算每个通道的空间和时间维度。然后,它计算标准化激活,如下所示:
哪里ε.是一个常数,在方差非常小时可提高数值稳定性。
考虑到平均值和单位方差为零的输入对于实例规范化之后的操作不是最优的可能性,实例规范化操作使用转换进一步移动和缩放激活
偏移量在哪里β和规模因子γ.是在网络培训期间更新的可学习参数。