基于可切换规范化的可微学习规范化 DIFFERENTIABLE LEARNING-TO-NORMALIZE VIA SWITCHABLE NORMALI.pdf

我们通过提出可切换归一化（SN）来解决学习归一化问题，SN学习为深度神经网络的不同归一化层选择不同的归一化器。SN使用三个不同的作用域来计算统计信息（均值和方差），包括一个通道、一个层和一个小批量。SN通过端到端地学习它们的重要性权重来在它们之间进行切换。它有几个好的特性。首先，它适应各种网络架构和任务（见图1）。其次，它对大范围的批处理大小具有鲁棒性，即使在呈现小的小批处理（例如2个图像/GPU）时也能保持高性能。第三，SN没有敏感的超参数，这与将组数作为超参数搜索的组规范化不同。如果没有钟声和哨声，snoutperformsitsconterparts可以参与各种具有挑战性的基准测试，如ImageNet、COCO、CityScapes、ADE20K和dynamics。文中还介绍了对声纳的分析。我们希望这将有助于减轻使用和理解规范化技术在深度学习。序列号代码已于年发布https://github.com/switchablenorms/.