一、BN
我们知道,在训练深度网络的时候,在刚开始初始化的阶段,参数可以保持很好的分布。但是,随着训练的进行,这种分布逐渐改变,往往出现分布的剧烈变化而难以学习,具体体现在非线性化(即激活函数)的时候梯度消失。
而BN层的作用,即是将数据进行非线性化之前,对其做一个标准化,让数据分布重新变得易于学习,让网络可以稳定收敛,这个过程也具有一定的正则化效果。
但是,我们知道,在BN层进行归一化的时候,是对BxHxW的数据进行操作,可以看出这个过程是依赖于batch的:一方面体现在对batch中的数据选择有要求(如果两个batch中的数据差别较大,那么参数就需要较大幅度的调整);另一方面体现在对batch大小的要求,我们知道,小的batch会让BN层的效果大打折扣,即是因为归一化的数据量不够,容易出现统计噪声。
二、GN
为了解决BN层对于batch大小的敏感问题,提出了GN的方法。具体的方法见下图。
可以看到,GN首先对channel进行分组,数据维度由原来的[B, H, W, C]变成了[B, H, W, G, C//G],而标准化在HxWxG上进行,其中G为分的组数。我们看到,标准化的时候没有依赖于B,因此可以解决对batch大小敏感的问题。
但是,我们可以看到,GN也带来了其他的问题:(1)引入了超参数G(作者建议G为32),对于G的选择是一个问题。(2)channel的个数必须为G的整数倍,按照作者的建议G为32的话,如果需要使用GN的方法,那么channel的数量要为32的倍数。(3)对channel进行分组之后,相当于对每一组的channel作了一个相关性的绑定,也即是说,相邻的channel学习的是同一个或者相似的特征。这样会不会对卷积的效果产生影响也是一个值得考虑的问题。
三、FRN Layer
谷歌提出的新的归一化方案,号称效果超过BN和GN。具体的结构如下图。
可以看到FRN Layer分为两个步骤完成:FRN和TLU。先看FRN,FRN是在HxW上进行归一化,也不会依赖于batch。而且归一化的方法与之前的方法都有不同。从公式上来看,FRN不进行中心化,而是直接除以来消除尺度的影响,而且作为除数的分母也和其他方法有所不同,这里的方法是除以二范数的均值而不是标准差。当然,对所得的结果还需要加上仿射变换:。
TLU:因为FRN没有进行中心化,所以产生的结果会在0附近随机偏移,而如果接着进行Relu,那么会造成很多节点失活。这里对Relu进行改进,变为:,称为TLU。这样就可以解决了数据的偏移问题。
四、细节讨论
FRN的思路很简单,接下来我们来看一下其中的细节以及作者为什么要采用这种结构。
1、
关于:(1)当N = H x W = 1时(即:average global层和全连接层)需要把设置成可学习的,而且初始化为。(2)一般情况下,为一个常量。
2、从图1中可以看出,LRN Layer和Instance Norm都是在H x W上进行归一化,唯一的区别就是归一化的方法。
IN的方法:,
,
对于这种方法,当进行多次下采样导致特征图变的很小,甚至变为1时(average pooling和fully-connected layers),很容易变为0,从而失活。
GN的方法通过合并相邻的channel来解决这一问题。但是,在实际的网络中,我们知道有些卷积核只对个别的channel起作用,而这种做法会让不同的channel之间互相联动,这样是不合理的。
所以,本文的做法是干脆去掉中心化,但是这就会造成新的问题,即前面说的偏移问题,需要加入TLU来解决。
3、调参和训练
看下面的两幅图,对比FRN和BN的数据分布情况,从图中可以看出,虽然总体的方差相差不大,但是BN的数据均匀分布在一定的范围之内,整体变化要比FRN平缓的多,而FRN在个别数据和区域中剧烈变化明显。
分析一下造成这种现象的原因:
(1)BN做归一化的时候用到的数据更多,所以数据变化更平稳。
(2)中心化会让数据均匀分布在中心两侧(也即是起到平滑的作用),这样会让BN的数据看起来平稳很多。
由于FRN的数据变化剧烈,所以对调参要求较高。而作者在论文中提到,在训练的过程中需要使用warm-up的方法,作者使用cosine的策略让lr从0增加到最大。同样的,对于lr的衰减,也使用cosine的策略。
注:FRN和BN的数据分布对比图来自:https://zhuanlan.zhihu.com/p/94947457