文件名称：颜色分类leetcode-Group-Normalization-Tensorflow:图像分类任务中组归一化的TensorFlow实现
文件大小：8.64MB
文件格式：ZIP
更新时间：2024-07-26 15:16:54
系统开源
颜色分类leetcode 组归一化 作为 实施系列的一部分，我们的动机是通过推广开源项目来加速（或有时延迟）人工智能社区的研究。 为此，我们实施了最先进的研究论文，并以简明的报告公开分享。 请访问我们的其他项目。 该项目由 实施，代码在发布前已经过审核。 说明 该项目包括 Wu 等人在论文中提出的 Group Normalizations 的 Tensorflow 实现。 (BN) 已广泛用于深度神经网络的训练以减轻内部协变量偏移 [1]。 具体而言，BN 旨在以这样的方式转换每一层的输入，使它们的平均输出激活为零和标准偏差一。 虽然 BN 在包括计算机视觉、自然语言处理、语音处理、机器人等在内的多个领域都证明了它的有效性，但当训练批量变小时，BN 的性能会大幅下降，这限制了将 BN 用于需要很小的任务的收益。受内存消耗限制的批次。 受这种现象的启发，提出了组归一化 (GN) 技术。 GN 不是沿着批次维度进行归一化，而是将通道分成组并在每组内计算均值和方差。 因此，GN 的计算与批量大小无关，其准确性也是如此。 论文的实验部分展示了 GN 在广泛的视觉任务中的有效性，包括图像分类 (
【文件预览】：
Group-Normalization-Tensorflow-master
----util.py(2KB)
----LICENSE(1KB)
----input_ops.py(2KB)
----__init__.py(0B)
----trainer.py(11KB)
----ops.py(4KB)
----model.py(5KB)
----.gitignore(129B)
----figure()
--------svhn_group_acc.png(754KB)
--------gn.png(384KB)
--------svhn_group_loss.png(892KB)
--------cifar_group_loss.png(1000KB)
--------cifar_group_acc.png(966KB)
--------imagenet_ongoing.png(265KB)
----README.md(7KB)
----datasets()
--------fashion_mnist.py(2KB)
--------tiny_imagenet.py(3KB)
--------mnist.py(2KB)
--------imagenet()
--------__init__.py(0B)
--------imagenet.py(2KB)
--------tiny_imagenet()
--------cifar10.py(2KB)
--------svhn.py(2KB)
----download.py(7KB)