ويعد التطبيع في الملعب أسلوباً يستخدم في التعلم العميق لتحسين عملية التدريب على الشبكات العصبية، ويطبيع مدخلات كل طبقة، مما يساعد على استقرار التعلم وتسريعه، وتستكشف هذه المادة الحسابات التي تنطوي عليها، والفوائد التي تقدمها، وكيفية نشر التطبيع في دفعات الصيد في الممارسة العملية.

الحسابات في تطبيع باتش

وأثناء التدريب، يحسب التطبيع في دفعات العينات متوسط واختلاف كل سمة عبر خط الميدان الحالي، ثم تُحسب القيمة المُعادَلة بحذف الشعار وتقسيمه بالانحراف المعياري، والصيغة هي:

Normalized value:] ]x ⁇ = (x - ميكرو) / √(2 + فصيلة)

Where x[FLT:] is the input, micro[] is the batch mean, ]]]] is the batch difference, and e- is a small constant output to preventization

Output:] y = ga * x ⁇ + ß ]]

استحقاقات تطبيع باتش

ويتيح التطبيع في الملعب عدة مزايا في تدريب الشبكات العصبية، ويقلل من التحول الداخلي في التكوين، وهو التغيير في توزيع أنشطة الشبكات، ويتيح هذا الاستقرار معدلات للتعلم العالي والتقارب السريع، وبالإضافة إلى ذلك، فهو يشكل شكلا من أشكال التنظيم، مما يقلل من الحاجة إلى تقنيات أخرى مثل التسرب.

وتشمل الفوائد الأخرى تحسين دقة النماذج وقوتها، فضلا عن القدرة على استخدام شبكات أعمق دون معاناة من اختفائ أو انفجار الخريجين.

النشر العملي لتطبيع باتش

ويشتمل تنفيذ عملية تطبيع دفعة في شبكة عصبية على إضافة طبقة لتطبيع دفعة بعد كل طبقة من طبقات التصالح أو المترابطة بالكامل، وفي أطر مثل تينسورفلو أو بي تورتش، يكون هذا مباشرة مع الوظائف القائمة.

وخلال التدريب، تستكمل طبقات التطبيع في دفعات متوسطات متوسطات الاختلاف والقصد، وتستخدم هذه المتوسطات، في المقابل، للتطبيع، بما يكفل الأداء المتسق.

ومن المهم النظر في حجم دفعة عند تطبيع دفعة واحدة، وقد تؤدي أحجام دفعة أصغر إلى تقديرات أقل استقراراً للقصد والفروق، مما قد يؤثر على الأداء النموذجي، ويمكن استخدام بدائل مثل تطبيع طبقة أو تطبيع المجموعات في مثل هذه الحالات.