python - 您能解释一下具有 BatchNormalization 的神经网络中的 Keras get_weights() 函数吗？

Question

当我在 Keras 中运行神经网络(没有 BatchNormalization)时，我了解 get_weights() 函数如何提供神经网络的权重和偏差。然而，使用 BatchNorm 它会产生 4 个额外参数，我假设是 Gamma、Beta、Mean 和 Std。

当我保存这些值时，我尝试手动复制一个简单的神经网络，但无法让它们产生正确的输出。有谁知道这些值是如何运作的？

No Batch Norm

With Batch Norm

Answer 1

我将举一个例子来解释简单的多层感知器(MLP)和具有批量归一化(BN)的MLP的情况下的get_weights()。

示例:假设我们正在处理 MNIST 数据集，并使用 2 层 MLP 架构(即 2 个隐藏层)。隐藏层 1 中的神经元数量为 392，隐藏层 2 中的神经元数量为 196。因此，我们的 MLP 的最终架构将为 784 x 512 x 196 x 10

这里784是输入图像维度，10是输出层维度

案例1:没有批量归一化的MLP => 让我的模型名称为使用ReLU激活函数的model_relu。现在，在训练model_relu之后，我正在使用 get_weights()，这将返回一个大小为 6 的列表，如下面的屏幕截图所示。

get_weights() with simple MLP and without Batch Norm列表值如下:

• (784, 392):隐藏层 1 的权重

• (392,):与隐藏层 1 的权重相关的偏差

• (392, 196):隐藏层 2 的权重

• (196,):与隐藏层2的权重相关的偏差

• (196, 10):输出层的权重

• (10,):与输出层权重相关的偏差

案例2:带有批量归一化的MLP => 让我的模型名称为model_batch，它也使用ReLU激活函数和批量归一化。现在，在训练 model_batch 后，我正在使用 get_weights()，这将返回一个大小为 14 的列表，如下面的屏幕截图所示。

get_weights() with Batch Norm列表值如下:

• (784, 392):隐藏层 1 的权重
• (392,):与隐藏层 1 的权重相关的偏差

• (392,) (392,) (392,) (392,):这四个参数是 gamma、beta、mean 和 std。大小为 392 的 dev 值，每个值与隐藏层 1 的批量归一化相关联。

• (392, 196):隐藏层 2 的权重

• (196,):与隐藏层 2 的权重相关的偏差

• (196,) (196,) (196,) (196,):这四个参数是 gamma、beta、运行平均值和 std。大小为 196 的 dev，每个与隐藏层 2 的批量归一化相关。

• (196, 10):输出层的权重

• (10,):与输出层权重相关的偏差

因此，在 case2 中，如果你想获取隐藏层 1、隐藏层 2 和输出层的权重，Python 代码可以是这样的:

wrights = model_batch.get_weights()      
hidden_layer1_wt = wrights[0].flatten().reshape(-1,1)     
hidden_layer2_wt = wrights[6].flatten().reshape(-1,1)     
output_layer_wt = wrights[12].flatten().reshape(-1,1)

希望这有帮助!

Ref: keras-BatchNormalization