【深度学习】卷积神经网络中Dropout、BatchNorm的位置选择

 

• 深度学习
 
• 神经网络
 
• 卷积神经网络
 
• 深度学习
 
• 计算机视觉
 
• 人工智能

前言

卷积神经网络的设计自然要考虑到各层之间的顺序。这种“考虑”既有原理性的解释也有经验方面的原因。本文主要介绍一些层常见的位置选择，并对其原因进行分析，从中提取共性有利于其他模型的设计。

Dropout层的位置

Dropout一般放在全连接层防止过拟合，提高模型返回能力，由于卷积层参数较少，很少有放在卷积层后面的情况，卷积层一般使用batch norm。
全连接层中一般放在激活函数层之后，有的帖子说一定放在激活函数后，个人推测是因为对于部分激活函数输入为0输出不一定为0，可能会起不到效果，不过对于relu输入0输出也是0就无所谓了。

BatchNorm

BatchNorm归一化放在激活层前后好像都有，最初LeNet有一种归一化放在了激活层池化层后面，而现在普遍放在激活层前。

 

 

bn原文建议放在ReLU前，因为ReLU的激活函数输出非负，不能近似为高斯分布。但有人做了实验，发现影响不大，放在后面好像还好了一点，放在ReLU后相当于直接对每层的输入进行归一化，如下图所示，这与浅层模型的Standardization是一致的。
所以在激活层前还是后还是很难下定论的，只是现在习惯放在激活层前，区别不是很大，区别大的是是否使用bn。
这里做了很多实验，可以参考：https://github.com/ducha-aiki/caffenet-benchmark/blob/master/batchnorm.md