TensorFlow实现条件批归一化（Conditional Batch Normalization）
TensorFlow实现条件批归一化（Conditional Batch Normalization）
-
- 条件批归一化（Conditional Batch Normalization）
- TensorFlow实现条件批归一化
- 在残差块中应用条件批归一化
条件批归一化（Conditional Batch Normalization）
批归一化 (Batch Normalization, BN) 是深度学习中常用的网络训练技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定，所以目前 BN 已经成为几乎所有卷积神经网络的标配技巧了，简单回顾下批 BN 的方程式：
B N ( x ) = γ ( x − μ ( x ) σ ( x ) ) + β BN(x) = \gamma (\frac {x-\mu(x)}{\sigma(x)}) + \beta BN(x)=γ(σ(x)x−μ(x))+β
其中，均值 µ µ µ 和标准差 σ σ σ 是在 (N, H, W) 维度上进行计算的，每个规范化层只有一个仿射变换参数对 γ γ γ 和 β β β，它们是在训练时网络自己学习得到的。
但是在生成对抗网络 (Generative Adversarial Networks, GAN) 中使用 BN 会导致生成图片在一定程度上出现同质化的缺点。例如，在 CIFAR10 数据集中，有10类图片：6种是动物(分别为：鸟，猫，鹿，狗，青蛙和马)，4种是交通工具(分别是：飞机，汽车，轮船和卡车)。显然，不同类别的图片在外观上看起来截然不同——交通往往具有坚硬而笔直的边缘，而动物倾向于具有弯曲的边缘和较柔和的纹理。
在风格迁移中我们已经了解了，激活的统计数据决定了图像样式。因此，混合批统计信息可以创建看上去有点像动物同时也有点像交通工具(例如，汽车形状的猫)的图像。这是因为批归一化在由不同类别图片组成的整个批次中仅使用一个 γ \gamma γ 和一个 β \beta β。如果每种类别都有一个 γ \gamma γ 和一个 β \beta β，则该问题得以解决，而这正是条件批规范化的意义所在。每个类别有一个 γ \gamma γ 和一个 β \beta β，因此CIFAR10中的10个类别每层有10个 γ \gamma γ 和10个 β \beta β。
TensorFlow实现条件批归一化
现在，我们可以构造条件批处理规范化所需的变量，如下所示：
- 形状为 (10, C) 的 β \beta β 和 γ \gamma γ，其中 C 是激活通道数。
- (1, 1, 1, C) 形状的游动均值和方差。在训练中，均值和方差是从小批次计算得出的。在推论过程中，我们使用训练中累积的移动均值。它们的形状使算术运算可以广播到 N，H 和 W 维度。
利用自定义层实现条件批归一化，首先创建所需变量：
class ConditionBatchNorm(Layer):
def build(self, input_shape):
self.input_size = input_shape
n, h, w, c = input_shape
self.gamma = self.add_weight(shape=[self.n_class, c],
initializer='zeros', trainable=True, name='gamma')
self.moving_mean = self.add_weight(shape=[1, 1, 1, c],
initializer='zeros', trainable=False, name='moving_mean')
self.moving_var = self.add_weight(shape=[1, 1, 1, c],
initializer='zeros', trainable=False, name='moving_var')
当运行条件批归一化时，为标签检索正确的 β \beta β 和 γ \gamma γ。这是使用 tf.gather(self.beta, labels) 完成的，它在概念上等效于 beta = self.beta[labels]，如下所示：
def call(self, x, labels, trainable=False):
beta = tf.gather(self.beta, labels)
beta = tf.expand_dims(beta, 1)
gamma = tf.gather(self.gamma, labels)
gamma = tf.expand_dims(gamma, 1)
if training:
mean, var = tf.nn.moments(x, axes=(0,1,2), keepdims=True)
self.moving_mean.assign(self.decay * self.moving_mean + (1-self.decay)*mean)
self.moving_var.assign(self.decay * self.moving_var + (1-self.decay)*var)
output = tf.nn.batch_normalization(x, mean, var, beta, gamma, self.eps)
else:
output = tf.nn.batch_normalization(x, self.moving_mean, self.moving_var, beta, gamma, self.eps)
return output
在残差块中应用条件批归一化
条件批归一化的使用方式与批归一化相同，作为示例，现在我们将条件批归一化添加到残差块中：
class ResBlock(Layer):
def build(self, input_shape):
input_filter = input_shape[-1]
self.conv_1 = Conv2D(self.filters, 3, padding='same', name='conv2d_1')
self.conv_2 = Conv2D(self.filters, 3, padding='same', name='conv2d_2')
self.cbn_1 = ConditionBatchNorm(self.n_class)
self.cbn_2 = ConditionBatchNorm(self.n_class)
self.learned_skip = False
if self.filters != input_filter:
self.learned_skip = True
self.conv_3 = Conv2D(self.filters, 1, padding='same', name='conv2d_3')
self.cbn_3 = ConditionBatchNorm(self.n_class)
以下是使用条件批归一化残差块的前向计算代码：
def call(self, input_tensor, labels):
x = self.conv_1(input_tensor)
x = self.cbn_1(x, labels)
x = tf.nn.leaky_relu(x, 0.2)
x = self.conv_2(x)
x = tf.cbn_2(x, labels)
x = tf.nn.leaky_relu(x, 0.2)
if self.learned_skip:
skip = self.conv_3(input_tensor)
skip = self.cbn_3(skip, labels)
skip = tf.nn.leaky_relu(skip, 0.2)
else:
skip = input_tensor
output = skip + x
return output