BatchNormalization层疑问请教？

[xumaoxin]

def call(self, x, training=False):
    if not training:
        training = tf.constant(False)
    training = tf.logical_and(training, self.trainable)
    return super().call(x, training)

代码training = tf.logical_and(training, self.trainable)是如何发挥训练时选择training模式，推理时选择非traning模式的作用的？ 看不太懂self.trainabel这个变量。 请大神赐教！

[Student-HXJ]

def call(self, x, training=False):
    if not training:
        training = tf.constant(False)
    training = tf.logical_and(training, self.trainable)
    return super().call(x, training)

代码training = tf.logical_and(training, self.trainable)是如何发挥训练时选择training模式，推理时选择非traning模式的作用的？ 看不太懂self.trainabel这个变量。 请大神赐教！

请问你这个问题找到理解方法了吗 我遇到类似的一个问题，在使用GradientType自定义训练过程时，BatchNorm层和Dropout层是如何选择traning或者非training模式的

[forever208]

def call(self, x, training=False):
    if not training:
        training = tf.constant(False)
    training = tf.logical_and(training, self.trainable)
    return super().call(x, training)

代码training = tf.logical_and(training, self.trainable)是如何发挥训练时选择training模式，推理时选择非traning模式的作用的？ 看不太懂self.trainabel这个变量。 请大神赐教！

我仔细看了一下，定义 bn 子类的时候，默认就是 training = False，即为推理模式； 在 train.py 文件中，调用 model 的时候，trainning = True 设置为了训练模式，代码片段如下： with tf.GradientTape() as tape: pred_result = model(image_data, training=True)

[dujifeng]

def call(self, x, training=False):
    if not training:
        training = tf.constant(False)
    training = tf.logical_and(training, self.trainable)
    return super().call(x, training)

代码training = tf.logical_and(training, self.trainable)是如何发挥训练时选择training模式，推理时选择非traning模式的作用的？ 看不太懂self.trainabel这个变量。 请大神赐教！

我仔细看了一下，定义 bn 子类的时候，默认就是 training = False，即为推理模式； 在 train.py 文件中，调用 model 的时候，trainning = True 设置为了训练模式，代码片段如下： with tf.GradientTape() as tape: pred_result = model(image_data, training=True)

你好，看了你的回答，觉得有些不太赞同。当调用model时，在train的时候，确实设置了training=True, 但是这个training只是传给了Create_Yolov3()这个函数，而在这个函数里，training并没有传给YOLOv3()，所以在YOLOv3这个模型内部调用BatchNormalization时，其training的参数还是False，我是这样觉得的。所以这一点我也比较疑惑作者为什么这样设置。