深度学习:BatchNorm、LayerNorm、InstanceNorm、GroupNorm和SwitchableNorm的理解

深度学习:BatchNorm、LayerNorm、InstanceNorm、GroupNorm和SwitchableNorm的理解

深度学习中的Norm

在深度学习中会经常遇到BatchNorm、LayerNorm、InstanceNorm和GroupNorm,四者区别如下:

除此之外还有SwitchableNorm的方法,下面会逐一进行介绍。

BatchNorm

BatchNorm 的处理对象是对一批样本同一个通道特征,BatchNorm 是对这批样本的同一维度特征计算均值和方差做归一化,BatchNorm在CV领域应用较多。

BatchNorm的好处有以下三点:

1、提高梯度在网络中的流动。Normalization能够使特征全部缩放到[0,1],这样在反向传播时候的梯度都是在1左右,避免了梯度消失现象。

2、提升学习速率。归一化后的数据能够快速的达到收敛。

3、减少模型训练对初始化的依赖。

LayerNorm

LayerNorm 的处理对象是每单个样本所有通道特征,LayerNorm 是对这单个样本的所有维度特征计算均值和方差做归一化。LayerNorm在NLP领域应用较多。

由于不同维度的特征量纲往往不同,那么我们为什么还要使用LayerNorm呢?因为NLP领域中,LayerNorm更为合适。

如果我们将一批文本组成一个batch,那么BatchNorm是对每句话的同一维特征(同一个位置)进行操作,而我们理解文本是一句话一句话地阅读,这不符合NLP的规律。

而LayerNorm则是针对一句话进行归一化的,且LayerNorm一般用在第三维度,如[batchsize, seq_len, dims]中的dims,一般为词向量的维度等等,这一维度各个特征的量纲应该相同。因此也不会遇到上面因为特征的量纲不同而导致的归一化缩放问题。

InstanceNorm

InstanceNorm的处理对象是每单个样本同一个通道特征,InstanceNorm是对单个样本同一个维度特征计算均值和方差做归一化,InstanceNorm在风格化迁移应用较多。

因为在图像风格化中,生成结果主要依赖于某个图像实例,所以对整个batch归一化不适合图像风格化中,因而对HW做归一化。可以加速模型收敛,并且保持每个图像实例之间的独立。

GroupNorm

GroupNorm的处理对象是每单个样本同一组通道特征,GroupNorm是对单个样本同一组维度特征计算均值和方差做归一化。

SwitchableNorm

SwitchableNorm是将BatchNorm、LayerNorm、InstanceNorm结合,赋予不同的权重,让网络自适应地学习归一化层。

附录

Pytorch官网------Normalization Layers

相关推荐
嘀咕博客27 分钟前
Visual Prompt Builder-AI 提示词可视化工具
人工智能·prompt·ai工具
RoboWizard36 分钟前
传输无界 金士顿双接口U盘上新抽电脑
运维·人工智能·缓存·电脑·金士顿
程序猿阿伟40 分钟前
《从0到1搭建客户画像系统:AI工具矩阵如何解决开发困局》
人工智能
TOOLS指南41 分钟前
通过 GAC Code 在国内使用ClaudeCode,Windows 用户配置指南!
人工智能
大翻哥哥43 分钟前
Python 2025:数据分析平台智能化转型与新范式
人工智能·python·数据分析
zezexihaha1 小时前
AI 时代的安全防线:国产大模型的数据风险与治理路径
人工智能·安全
云资源服务商1 小时前
筑牢AI安全防线:阿里云AI安全护栏
人工智能·阿里云·云计算
dlraba8021 小时前
OpenCV 实战:轻松实现摄像头人脸识别与微笑检测
人工智能·opencv·计算机视觉
中杯可乐多加冰1 小时前
古籍版面分析新SOTA:HisDoc-DETR如何助力AI赋能古籍数字化难题
人工智能
一起喝芬达20101 小时前
通用人工智能(AGI)发展现状:从科幻到现实的跨越
人工智能·agi