1.分類(lèi)

BN是在batch上，對(duì)N、H、W做歸一化，而保留通道 C 的維度。BN對(duì)較小的batch size效果不好。BN適用于固定深度的前向神經(jīng)網(wǎng)絡(luò)，如CNN，不適用于RNN；

LN在通道方向上，對(duì)C、H、W歸一化，主要對(duì)RNN效果明顯；

IN在圖像像素上，對(duì)H、W做歸一化，用在風(fēng)格化遷移；

GN將channel分組，然后再做歸一化。

2.BN

為什么要進(jìn)行BN呢？
1）在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程中，通常以輸入網(wǎng)絡(luò)的每一個(gè)mini-batch進(jìn)行訓(xùn)練，這樣每個(gè)batch具有不同的分布，使模型訓(xùn)練起來(lái)特別困難。
（2）Internal Covariate Shift (ICS) 問(wèn)題：在訓(xùn)練的過(guò)程中，激活函數(shù)會(huì)改變各層數(shù)據(jù)的分布，隨著網(wǎng)絡(luò)的加深，這種改變（差異）會(huì)越來(lái)越大，使模型訓(xùn)練起來(lái)特別困難，收斂速度很慢，會(huì)出現(xiàn)梯度消失的問(wèn)題。
BN的主要思想：針對(duì)每個(gè)神經(jīng)元，使數(shù)據(jù)在進(jìn)入激活函數(shù)之前，沿著通道計(jì)算每個(gè)batch的均值、方差，‘強(qiáng)迫’數(shù)據(jù)保持均值為0，方差為1的正態(tài)分布，避免發(fā)生梯度消失。具體來(lái)說(shuō)，就是把第1個(gè)樣本的第1個(gè)通道，加上第2個(gè)樣本第1個(gè)通道 … 加上第 N 個(gè)樣本第1個(gè)通道，求平均，得到通道 1 的均值（注意是除以 N×H×W 而不是單純除以 N，最后得到的是一個(gè)代表這個(gè) batch 第1個(gè)通道平均值的數(shù)字，而不是一個(gè) H×W 的矩陣）。求通道 1 的方差也是同理。對(duì)所有通道都施加一遍這個(gè)操作，就得到了所有通道的均值和方差。
BN的使用位置：全連接層或卷積操作之后，激活函數(shù)之前。

BN算法過(guò)程：
沿著通道計(jì)算每個(gè)batch的均值μ
沿著通道計(jì)算每個(gè)batch的方差σ2
做歸一化
加入縮放和平移變量 γ 和 β

其中 ε 是一個(gè)很小的正值1e-8，比如 。加入縮放和平移變量的原因是：保證每一次數(shù)據(jù)經(jīng)過(guò)歸一化后還保留原有學(xué)習(xí)來(lái)的特征，同時(shí)又能完成歸一化操作，加速訓(xùn)練。 這兩個(gè)參數(shù)是用來(lái)學(xué)習(xí)的參數(shù)。
BN的作用：
（1）允許較大的學(xué)習(xí)率；

（2）減弱對(duì)初始化的強(qiáng)依賴(lài)性

（3）保持隱藏層中數(shù)值的均值、方差不變，讓數(shù)值更穩(wěn)定，為后面網(wǎng)絡(luò)提供堅(jiān)實(shí)的基礎(chǔ)；

（4）有輕微的正則化作用（相當(dāng)于給隱藏層加入噪聲，類(lèi)似Dropout）

BN存在的問(wèn)題：
（1）每次是在一個(gè)batch上計(jì)算均值、方差，如果batch size太小，則計(jì)算的均值、方差不足以代表整個(gè)數(shù)據(jù)分布。

（2）batch size太大：會(huì)超過(guò)內(nèi)存容量；需要跑更多的epoch，導(dǎo)致總訓(xùn)練時(shí)間變長(zhǎng)；會(huì)直接固定梯度下降的方向，導(dǎo)致很難更新。

3.LN

針對(duì)BN不適用于深度不固定的網(wǎng)絡(luò)（sequence長(zhǎng)度不一致，如RNN），LN對(duì)深度網(wǎng)絡(luò)的某一層的所有神經(jīng)元的輸入按以下公式進(jìn)行normalization操作。

LN中同層神經(jīng)元的輸入擁有相同的均值和方差，不同的輸入樣本有不同的均值和方差。
對(duì)于特征圖在這里插入圖片描述 ，LN 對(duì)每個(gè)樣本的 C、H、W 維度上的數(shù)據(jù)求均值和標(biāo)準(zhǔn)差，保留 N 維度。其均值和標(biāo)準(zhǔn)差公式為：

Layer Normalization (LN) 的一個(gè)優(yōu)勢(shì)是不需要批訓(xùn)練，在單條數(shù)據(jù)內(nèi)部就能歸一化。LN不依賴(lài)于batch size和輸入sequence的長(zhǎng)度，因此可以用于batch size為1和RNN中。LN用于RNN效果比較明顯，但是在CNN上，效果不如BN。

4.Instance Normalization, IN

IN針對(duì)圖像像素做normalization，最初用于圖像的風(fēng)格化遷移。在圖像風(fēng)格化中，生成結(jié)果主要依賴(lài)于某個(gè)圖像實(shí)例，feature map 的各個(gè) channel 的均值和方差會(huì)影響到最終生成圖像的風(fēng)格。所以對(duì)整個(gè)batch歸一化不適合圖像風(fēng)格化中，因而對(duì)H、W做歸一化。可以加速模型收斂，并且保持每個(gè)圖像實(shí)例之間的獨(dú)立。

對(duì)于，IN 對(duì)每個(gè)樣本的 H、W 維度的數(shù)據(jù)求均值和標(biāo)準(zhǔn)差，保留 N 、C 維度，也就是說(shuō)，它只在 channel 內(nèi)部求均值和標(biāo)準(zhǔn)差，其公式如下：

總結(jié)

以上是生活随笔為你收集整理的Normalization 归一化方法 BN LN IN GN的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。