深度学习中的归一化技术小结

潜心修行的研究者

于 2019-05-24 11:12:52 发布

阅读量1.6k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/h2026966427/article/details/90513078

本文总结了深度学习中的四种归一化技术：Batch Normalization、Layer Normalization、Instance Normalization和Group Normalization。它们通过调整神经元激活值的均值和方差，提升训练速度，防止过拟合。BatchNorm适用于MLP和CNN，但不适用于RNN；LayerNorm最适合RNN；InstanceNorm在图片生成任务上表现优秀；而GroupNorm在小Batch Size场景下表现出色。选择哪种归一化方法取决于具体的应用场景。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

深度学习中的归一化技术

主要有以下几种方法：

Batch Normalization
Layer Normalization
Instance Normalization
Group Normalization

核心步骤都是：
$x^(k)=x(k)−E[x(k)]Var⁡[x(k)]+ϵ \widehat{x}^{(k)}=\frac{x^{(k)}-\mathrm{E}\left[x^{(k)}\right]}{\sqrt{\operatorname{Var}\left[x^{(k)}\right]+\epsilon}}$

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。