移动端适配北京网站优化方式

本文详解深度学习中常见的归一化方法。
【归一化是将数据按比例缩放，使之落入一个特定的区间】

1. 批量归一化（Batch Normalization，BN）

1.1 数学原理

对于一个包含$m$个样本的小批量数据 x = { x ( 1 ) , x ( 2 ) , ⋯ , x ( m ) } x = \{x^{(1)}, x^{(2)}, \cdots, x^{(m)}\} x={x(1),x(2),⋯,x(m)}， 在第$k$个特征维度上，批量归一化的步骤如下：

1. 计算该维度上的均值${\mu }_k$:
   ${\mu }_k=\frac{1}{m}{\sum }_{i=1}^m{x}_k^{(i)}$

2. 计算该维度上的方差${\sigma }_k^2$:
   ${\sigma }_k^2=\frac{1}{m}{\sum }_{i=1}^m(x_k^{(i)}-{\mu }_k{)}^2$

3. 对该维度上的每个样本进行归一化:
   ${\hat{x}}_k^{(i)}=\frac{x_k^{(i)}-{\mu }_k}{\sqrt{{\sigma }_k^2+ϵ}}$
   其中 ϵ 是一个很小的常数，用于防止分母为零

1.2 代码示例

在 PyTorch 中，可以使用torch.nn.BatchNorm2d来实现批量归一化：

import torch
import torch.nn as nn# 定义一个批量归一化层，输入通道数为3
bn = nn.BatchNorm2d(3)# 模拟一个小批量的图像数据，形状为 (batch_size, channels, height, width)
x = torch.randn(16, 3, 32, 32)# 进行批量归一化
y = bn(x)
print(y.shape)

2. 层归一化（Layer Normalization，LN）

层归一化是对单个样本的所有特征维度进行归一化。对于一个样本$x=[x_1,x_2,\cdots ,x_n]$, 其归一化步骤如下：

1. 计算该样本的均值$\mu$:
   $\mu =\frac{1}{n}{\sum }_{i=1}^n{x}_i$

2. 计算该样本的方差${\sigma }^2$:
   ${\sigma }^2=\frac{1}{n}{\sum }_{i=1}^n(x_i-\mu {)}^2$

3. 对该样本的每个特征进行归一化：
   ${\hat{x}}_i=\frac{x_i-\mu }{\sqrt{{\sigma }^2+ϵ}}$

2.2 代码示例

在 PyTorch 中，可以使用torch.nn.LayerNorm来实现层归一化：

import torch
import torch.nn as nn# 定义一个层归一化层，归一化的维度为32
ln = nn.LayerNorm(32)# 模拟一个样本数据，形状为 (batch_size, sequence_length, features)
x = torch.randn(16, 10, 32)# 进行层归一化
y = ln(x)
print(y.shape)

3. 实例归一化（Instance Normalization，IN）

3.1 数学原理

实例归一化主要用于图像生成和风格迁移等任务，它是对每个样本的每个通道分别进行归一化。对于一个样本的第$c$个通道的特征图$x_c$, 其归一化步骤如下：

1. 计算该通道的均值${\mu }_c$:
   ${\mu }_c=\frac{1}{H\times W}{\sum }_{i=1}^H{\sum }_{j=1}^W{x}_c(i,j)$

其中 $H$和 $W$ 分别是特征图的高度和宽度。

2. 计算该通道的方差 ${\sigma }_c^2$:
   ${\sigma }_c^2=\frac{1}{H\times W}{\sum }_{i=1}^H{\sum }_{j=1}^W(x_c(i,j)-{\mu }_c{)}^2$

3. 对该通道的每个像素进行归一化：
   ${\hat{x}}_c(i,j)=\frac{x_c(i,j)-{\mu }_c}{\sqrt{{\sigma }_c^2+ϵ}}$

3.2 代码示例​

在 PyTorch 中，可以使用torch.nn.InstanceNorm2d来实现实例归一化：

import torch
import torch.nn as nn# 定义一个实例归一化层，输入通道数为3
in_layer = nn.InstanceNorm2d(3)# 模拟一个小批量的图像数据，形状为 (batch_size, channels, height, width)
x = torch.randn(16, 3, 32, 32)# 进行实例归一化
y = in_layer(x)
print(y.shape)