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

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：

1. 形状为 (10, C) 的 $\beta$ 和 $\gamma$，其中 C 是激活通道数。
2. (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 __init__(self, n_class=2, decay_rate=0.999, eps=1e-7): super(ConditionBatchNorm, self).__init__() self.n_class = n_class self.decay = decay_rate self.eps = 1e-5 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 $\beta$ 和 $\gamma$。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