1. 权重归一化（Weight Normalization）
- 目的：通过分离权重向量的范数和方向来加速训练。
- 公式 ：对于权重向量 w \mathbf{w} w，归一化后的权重 w ′ \mathbf{w}' w′ 为：
w ′ = w ∥ w ∥ \mathbf{w}' = \frac{\mathbf{w}}{\|\mathbf{w}\|} w′=∥w∥w
其中 ∥ w ∥ \|\mathbf{w}\| ∥w∥ 是 w \mathbf{w} w 的欧几里得范数。
2. 谱归一化（Spectral Normalization）
- 目的：通过控制权重矩阵的谱范数，稳定生成对抗网络（GANs）的训练。
- 公式 ：对于权重矩阵 W W W，谱归一化后的矩阵 W ′ W' W′ 为：
W ′ = W σ ( W ) W' = \frac{W}{\sigma(W)} W′=σ(W)W
其中 σ ( W ) \sigma(W) σ(W) 是 W W W 的谱范数，即最大奇异值。
3. 权重衰减（Weight Decay）
- 目的：通过正则化防止过拟合。
- 公式：权重更新时加入正则化项：
w ← w − η ( ∂ L ∂ w + λ w ) \mathbf{w} \leftarrow \mathbf{w} - \eta \left( \frac{\partial L}{\partial \mathbf{w}} + \lambda \mathbf{w} \right) w←w−η(∂w∂L+λw)
其中 η \eta η 是学习率， L L L 是损失函数， λ \lambda λ 是正则化参数。
4. 权重剪裁（Weight Clipping）
- 目的：限制权重范围以稳定训练。
- 公式 ：对于权重 w w w，剪裁后的权重 w ′ w' w′ 为：
w ′ = { c if w > c − c if w < − c w otherwise w' = \begin{cases} c & \text{if } w > c \\ -c & \text{if } w < -c \\ w & \text{otherwise} \end{cases} w′=⎩ ⎨ ⎧c−cwif w>cif w<−cotherwise
其中 c c c 是预定义阈值。
5. 权重共享（Weight Sharing）
- 目的：减少参数数量，提高泛化能力，常用于卷积神经网络（CNNs）。
- 公式：在CNN中，同一卷积核的权重在输入上共享，具体实现依赖卷积操作。
6. 权重初始化（Weight Initialization）
- 目的：合理初始化权重以加速训练并避免梯度问题。
- 公式 ：
- Xavier初始化：
W ∼ N ( 0 , 2 n in + n out ) W \sim \mathcal{N}\left(0, \frac{2}{n_{\text{in}} + n_{\text{out}}}\right) W∼N(0,nin+nout2)
- He初始化：
W ∼ N ( 0 , 2 n in ) W \sim \mathcal{N}\left(0, \frac{2}{n_{\text{in}}}\right) W∼N(0,nin2)
其中 $n_{\text{in}}$ 和 $n_{\text{out}}$ 分别是输入和输出单元数。7. 批归一化（Batch Normalization）
- 目的：归一化层的输入以加速训练并提高稳定性。
- 公式 ：对于小批量 B = { x 1 , ... , x m } \mathcal{B} = \{x_1, \ldots, x_m\} B={x1,...,xm}，输出为：
x ^ i = x i − μ B σ B 2 + ϵ \hat{x}i = \frac{x_i - \mu{\mathcal{B}}}{\sqrt{\sigma_{\mathcal{B}}^2 + \epsilon}} x^i=σB2+ϵ xi−μB
其中 μ B \mu_{\mathcal{B}} μB 和 σ B 2 \sigma_{\mathcal{B}}^2 σB2 是小批量的均值和方差， ϵ \epsilon ϵ 避免除零。
8. 层归一化（Layer Normalization）
- 目的：对每个样本的特征归一化，适用于RNNs等。
- 公式 ：对于特征向量 x \mathbf{x} x，输出为：
x ^ = x − μ σ 2 + ϵ \hat{\mathbf{x}} = \frac{\mathbf{x} - \mu}{\sqrt{\sigma^2 + \epsilon}} x^=σ2+ϵ x−μ
其中 μ \mu μ 和 σ 2 \sigma^2 σ2 是 x \mathbf{x} x 的均值和方差。
9. 权重量化（Weight Quantization）
- 目的：将权重转为低精度表示以减少模型大小和加速推理。
- 公式：简单量化方法为：
w q = round ( w − w min w max − w min × ( 2 b − 1 ) ) × w max − w min 2 b − 1 + w min w_q = \text{round}\left(\frac{w - w_{\text{min}}}{w_{\text{max}} - w_{\text{min}}} \times (2^b - 1)\right) \times \frac{w_{\text{max}} - w_{\text{min}}}{2^b - 1} + w_{\text{min}} wq=round(wmax−wminw−wmin×(2b−1))×2b−1wmax−wmin+wmin
其中 b b b 是位数， w min w_{\text{min}} wmin 和 w max w_{\text{max}} wmax 是权重范围。
10. 稀疏化（Sparsification）
- 目的：将部分权重设为零以减少参数量。
- 公式 ：使用阈值 τ \tau τ：
w ′ = { w if ∣ w ∣ ≥ τ 0 otherwise w' = \begin{cases} w & \text{if } |w| \geq \tau \\ 0 & \text{otherwise} \end{cases} w′={w0if ∣w∣≥τotherwise
这些方法在深度学习中应用广泛，选择时需考虑模型架构、数据特性和资源限制。