Devils in BatchNorm
Facebook人工智能实验室研究工程师吴育昕
该视频主要讨论Batch Normalization的一些坑。
Batch Norm后还有一个channel-wise仿射，是一个退化的卷积层，这里不讨论。
Batch Norm的训练和测试具有不一致性，测试时vanilla BN方法是更新一个exponential moving average，也就是图中的\(u_{EMA}\)
为什么可以训练和测试不一致？
DropOut和Data Augmentation也是这样——可以理解为训练是在测试的基础上加噪声，测试是训练的平均。不过噪声本身也是一种正则化。
- BN什么时候会失败？
当\(\mu_{EMA}\)，\(\sigma_{EMA}\)不接近\(\mu_{B}\)时，\(\sigma_{B}\)
- 当EMA计算不合理
- 当$ \mu_{B}\(，\)\sigma_{B}$不稳定时 - 不能很好地近似
a）数据不稳定
b）不稳定的模型
- EMA计算不合理的情况
\[\mu_{E M A} \leftarrow \lambda \mu_{E M A}+(1-\lambda) \mu_{B}, \sigma_{E M A}^{2} \leftarrow \cdots \]
- \(\lambda\)过小，EMA
- \(\lambda\)过大，需要很多次迭代
不稳定的模型或最后N次迭代中不稳定的数据
常见的错误是——"false overfitting"，在可能出现overfitting时但是迭代次数又很少时需仔细甄别
- EMA不合理之处
- 总是有偏置的
- 数据的分布总是在变化
- 并不是真的平均
- 解决方案：Precise BatchNorm
最早来源于ResNet
实现：
· Cheap Precise BN:继续使用EMA但是使用大的\(\lambda\)，把模型固定，forward很多（比如1000次）迭代
· 先算前一层的PreciseBN，用这个再算下一层PreciseBN
BN在训练/微调上的坑
Normalization batch size
- Norm batch size不一定等于SGD batch size，受显卡显存的限制
- 一个batch中，均值和方差是有噪声的——上面提到训练的均值和方差可看作在测试的基础上加噪声，若一个batch中有一个异常sample就带来噪声
- 如何增大Normalization batch size？
- Sync BatchNorm/Cross-GPU BN
其实现是采用all-reduce \(2 \times C\) elements。
overhead也很小。在各个框架上都有实现。 - Virtual BatchNorm
使用很多只为了前向的图片，不会显著增加显存，但是会增加时间。
唯一好处是可控，适用于reasearch和analysis。
如何减小Normalization batch size？
Ghost BN
其实现是在一个batch中分离如何在改变SGD的batch size同时控制NBS不变？
使用Accumulate Gradients。
其实现是积累几次迭代的梯度后将gradients平均再去更新模型。NBS特别小时的解决方案
Batch Renormalization。
训练: \(\hat{x}=\frac{x-\mu_{B}}{\sigma_{B}} \times\) stop gradient \((r)+\) stop gradient \((d)\)
测试: \(\hat{x}=\frac{x-\mu_{E M A}}{\sigma_{E M A}}\)
\(r, d\) pushes \(\mu_{B}, \sigma_{B}\) similar to \(\mu_{E M A}, \sigma_{E M A}\)
Reduce noise \(\&\) inconsistency
Need to tune the limit on \(r, d\)
BN在数据分布的分布
数据非独立同分布时容易出现BN会学习到一些捷径
一般发生在：
- 多域学习
- 对抗训练
- fine-tuning
一些解决的tricks： - 训练时——为各个domain做Seperate BN
- 训练/微调时——Frozen BN（Sync BN没出现前使用，一般不全部用于train from scratch，用于fine-tune或是train时模型的末端）
- 测试时——Adaptive BN
GAN中遇到的real/fake分布
在判别器中，会有两个分布，希望只有一个去更新EMA：
- decoder(real_batch,training=True)
- decoder(fake_batch,training=True,update_ema=False)# don't update EMA或decoder(fake_batch,training=False)# use EMA during training
batch本来的设计就来源于相关源
- two-stage目标检测器中batch本身就有来自同一张图片的patch组成 -> 解决：Group Norm
- 视频理解
强化学习
数据就来自于模型，解决方法是：
DQN中提出的target network或是Precise BN
BN在融合上的坑
BN在实现上的坑
PyTorch中momentum的0.1是别人的0.9；
TensorFlow中EMA的更新不是在层计算的同时发生，新手容易忘记更新EMA更新的操作加入到训练中，解决方法是使用tensorpack.models.BatchNorm；
总结
使用哪个\(\mu, \sigma ?\)
\(\mu_{B}\), \(\sigma_{B}\) ; \(\mu_{E M A}\), \(\sigma_{E M A}\) ; Batch ReNorm如何计算\(\mu_{B}\), \(\sigma_{B}\):
Per-GPU BN,Sync BN,Ghost BN,Virtual BN是否更新\(\mu_{E M A}\), \(\sigma_{E M A}\)With \(\mu_{B}\), \(\sigma_{B}\):
YES,NO,Separate BN测试/微调时用什么:
EMA,Precise BN,Adaptive BN,Frozen BN