背景文档

1、首先先了解一下 什么是过拟合和欠拟合？by Panda.X

2、下面简单说一下LRN，全称Local Response Normalization （局部响应归一化函数），是一种防止过拟合的方法，一般在激活层之后使用。这个函数很少使用，基本上被类似Dropout这样的方法取代。详细算法说明请参考【深度学习技术】LRN 局部响应归一化 by CrazyVertigo

Tensorflow官方文档中的tf.nn.lrn函数给出了局部响应归一化的论文出处
详见 http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks

 

LRN计算公式

下面结合tf.nn.lrn()的参数来解释一下其中的变量。

• 公式中的a表示函数的输入Tensor，即input：一个4D-Tensor，[ batch, height, width, channel]，数据类型可以是 half，bfloat16, float32
• k 对应参数bias：偏移值，用于避免分母等于0， 默认值为1，
  • 通常设positive float，也可以设为None（取默认值）。
  • 若值<=0, output中可能出现nan
• α 对应参数alpha：缩放因子，默认值为1，通常设positive float，也可以设为None（取默认值）。
• β 对应参数beta：指数，默认值为0.5，float类型，也可以设为None（取默认值）。
• n /2 对应参数depth_radius：用于定义邻域长度，默认值为5，int类型（positive），也可以设为None（取默认值）。
• i：指的是channel，也就是说累加操作是沿着输入Tensor的channel方向进行的。
• N：表示通道总数，即channel值。

就是一个点沿着channel方向(前 depth_radius + 后depth_radius)的点的平方加，乘以alpha，即  sqr_sum[a, b, c, d] = sum(input[a, b, c, d - depth_radius : d + depth_radius + 1] ** 2)

output = input / (bias + sqr_sum）** beta

def lrn(input, depth_radius=5, bias=1, alpha=1, beta=0.5, name=None
)