Python 什么是Tensorflow中正确的批处理规范化函数？

在tensorflow 1.4中，我发现了两个执行批处理规范化的函数，它们看起来相同：

tf.layers.batch\u规范化

（）

tf.contrib.layers.batch\u norm

（）

我应该使用哪个函数？哪个更稳定？

如中所示，

tf.contrib

是一个包含易失性或实验性代码的贡献模块。当

功能完成时

将从此模块中删除。现在有两种，为了与历史版本兼容

---

因此，建议使用前一种

tf.layers.batch\u normalization

。

只需添加到列表中，在tensorflow中还有几种方法可以执行批处理规范：

• 是一个低级op。调用者负责处理

  均值

  和

  方差

  张量本身
• 是另一个低级操作，与前一个类似。不同之处在于它针对4D输入张量进行了优化，这是卷积神经网络中的常见情况<代码>tf.nn.batch_归一化接受任何秩大于1的张量
• 是对以前的ops的高级包装。最大的区别在于它负责创建和管理运行的均值和方差张量，并在可能的情况下调用快速融合运算。通常，这应该是您的默认选择
• 是批处理规范的早期实现，在它升级到核心API之前（即，

  tf.layers

  ）。不建议使用它，因为在将来的版本中可能会删除它
• 是另一个不推荐使用的操作。目前，将调用委托给

  tf.nn.batch\u normalization

  ，但将来可能会放弃
• 最后，还有Keras层，对于tensorflow后端，它调用

  tf.nn.batch\u normalization

---

谢谢。我接受了。我只想问你关于均值和方差的问题。我如何管理你提到的均值和方差？刚刚将_training flag设置为False？通过管理，我的意思是：创建正确形状的变量，并从批次中累积运行平均值/方差。这有点乏味，这就是为什么调用高级函数更容易的原因。在这种情况下，您只需要设置

training

属性。对于未来的读者，本文很好地介绍了如何手动管理均值/方差：