Tensorflow 为什么tf.layers.batch_规范化仅在is_训练为真时才能在推理模式下工作？

这是我的批次代码。当我训练模型时，我会用

True

设置参数

is_training

，但是当我想推断模型时，如果我用

False

设置它，它会输出

错误的值

。但是，如果我将其设置为

True

，它将在推理模式下工作，有人知道为什么吗？

请参见

---

您需要运行更新操作（例如，通过将它们传递到您的

会话

），否则移动平均值/方差不会得到更新，因此推断不正确。

我对

训练

和

可训练

的参数有疑问，您能否给出详细解释。同意这是一个令人困惑的区别<代码>可培训确定变量是否标记为可培训（并添加到可培训变量集合）。这是β和γ。它不会为移动平均值或移动方差打开或关闭更新操作，也不会在使用批处理统计信息和移动统计信息之间切换。大多数人可以只设置

training

而忘记

trainiable

。因此，如果我们使用bn层，那么

training

和

trainiable

必须是相同的？如果您正在优化（

False

），我会离开

trainiable=True

，并将

training

设置为

True

）。

def _batch_norm(self, name, x, is_training=True):
 """Batch normalization.
  Considering the performance, we use batch_normalization in contrib/layers/python/layers/layers.py
  instead of tf.nn.batch_normalization and set fused=True
  Args:
    x: input tensor
    is_training: Whether to return the output in training mode or in inference mode, use the argment
                 in finetune
 """
 with tf.variable_scope(name):
   return tf.layers.batch_normalization(
          inputs=x,
          axis=1 if self._data_format == 'NCHW' else 3,
          momentum = 0.997,
          epsilon = 1e-5,
          center=True,
          scale=True,
          training=is_training,
          fused=True
          )