tensorflow - 在非线性之前或之后在 Keras 中添加批量归一化？

Question

def conv2d_bn(x, nb_filter, nb_row, nb_col,
              border_mode='same', subsample=(1, 1),
              name=None):
    '''Utility function to apply conv + BN.
    '''

    x = Convolution2D(nb_filter, nb_row, nb_col,
                      subsample=subsample,
                      activation='relu',
                      border_mode=border_mode,
                      name=conv_name)(x)
    x = BatchNormalization(axis=bn_axis, name=bn_name)(x)
    return x

当我使用官方inception_v3 keras 中的模型，我发现他们在“relu”非线性之后使用了 BatchNormalization，如上面的代码脚本。

但在 Batch Normalization 论文中，作者说

we add the BN transform immediately before the nonlinearity, by normalizing x=Wu+b.

然后我查看 tensorflow 中 inception 的实现，正如他们所说的那样，在非线性之前立即添加 BN。更多详情请见 inception ops.py

我糊涂了。为什么人们在 Keras 中使用上述样式而不是以下样式？

def conv2d_bn(x, nb_filter, nb_row, nb_col,
              border_mode='same', subsample=(1, 1),
              name=None):
    '''Utility function to apply conv + BN.
    '''

    x = Convolution2D(nb_filter, nb_row, nb_col,
                      subsample=subsample,
                      border_mode=border_mode,
                      name=conv_name)(x)
    x = BatchNormalization(axis=bn_axis, name=bn_name)(x)
    x = Activation('relu')(x)
    return x

在密集的情况下:

x = Dense(1024, name='fc')(x)
x = BatchNormalization(axis=bn_axis, name=bn_name)(x)
x = Activation('relu')(x)

Answer 1

我也是在激活前用的，确实是这样设计的，其他库也是，比如lasagne的batch_norm http://lasagne.readthedocs.io/en/latest/modules/layers/normalization.html#lasagne.layers.batch_norm .

然而，实际上在激活之后放置它似乎效果更好:

https://github.com/ducha-aiki/caffenet-benchmark/blob/master/batchnorm.md
(虽然这只是一个基准)