keras中的BatchNormalization层在测试阶段是如何实现的？

我最近想在keras中使用批量归一化来构建一个神经网络。正如最初的论文所提到的，批量归一化在测试和训练时间上表现不同。我查看了文档：

keras.layers.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, 
center=True, scale=True, beta_initializer='zeros', gamma_initializer='ones', 
moving_mean_initializer='zeros', moving_variance_initializer='ones', 
beta_regularizer=None, gamma_regularizer=None, beta_constraint=None, 
gamma_constraint=None)

我没有看到任何参数来判断它是处于培训阶段还是测试阶段，这与tensorflow的实现不同：

batch_norm(
inputs,
decay=0.999,
center=True,
scale=False,
epsilon=0.001,
activation_fn=None,
param_initializers=None,
param_regularizers=None,
updates_collections=tf.GraphKeys.UPDATE_OPS,
is_training=True,
reuse=None,
variables_collections=None,
outputs_collections=None,
trainable=True,
batch_weights=None,
fused=False,
data_format=DATA_FORMAT_NHWC,
zero_debias_moving_mean=False,
scope=None,
renorm=False,
renorm_clipping=None,
renorm_decay=0.99
)

我想知道在测试阶段，批处理规范化层是如何在keras中实现的？

---

提前感谢。

您在文档中找不到有关training x测试的任何内容

Keras将这些隐藏在其源代码中，其思想是：

• 当您在模型中调用

  fit

  和类似项时，keras的行为类似于训练模式
• 当您校准

  评估

  、

  预测

  等时，它的行为与未在培训中类似

如果要查找

BatchNormalization

层的这些差异，必须检查其源代码

---

我想这是有点道理的。但我不会假装我很了解它：

您在文档中找不到关于training x测试的任何内容。Keras将这些隐藏在其源代码中，其思想是：当您调用

fit

和类似程序时，Keras的行为类似于训练模式。当您校准

评估

、

预测

等时，它的行为与未在培训中类似。如果要查找BatchNormalization层的这些差异，必须检查其源代码。我想这是有点道理的。但我不会假装我很明白：@Daniel Möller，谢谢你的解释。我只是对keras中的批处理规范化API非常好奇，因为我曾经是tensorflow程序员。我想你可以重写你的答案，这样我就可以接受了。