mxnet各种归一化：batch norm, l2 norm和mxnet.nd.L2Normalization

最新推荐文章于 2021-08-23 10:08:51 发布

AI算法网奇

最新推荐文章于 2021-08-23 10:08:51 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习宝典 mxnet

原文链接：https://blog.youkuaiyun.com/qxqxqzzz/article/details/114603910

深度学习宝典同时被 2 个专栏收录

1041 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

mxnet

58 篇文章

订阅专栏

本文介绍了MXNet库中的几种归一化方法，包括mx.nd.BatchNorm，它在样本批次中进行均值和方差归一化，以及mx.nd.L2Normalization，用于将向量标准化为长度为1的单位向量。此外，还提到了mx.nd.norm函数计算L2范数，并讨论了如何利用这些归一化技术来计算欧氏距离。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

mx.nd.BatchNorm 类似于在一个batch里面对样本减均值、除方差。
mx.nd.L2Normalization 对向量进行归一化：每一行向量中的每个元素除以向量的模长。变成长度为1、带有方向的单位向量。
mx.nd.norm 用于沿指定axis求范数，默认求整个矩阵的L2范数，变成一个值（标量）。（L2范数）对应欧式距离。
nd.L2Normalization(a,mode=‘instance’)

# nd.L2Normalization(a,mode='instance') 是对每个样本（向量，每一行）分别进行L2归一化,就是每一行向量中的每个元素除以向量的模长
a
Out[20]: 
[[1. 2.]
 [3. 4.]]
<NDArray 2x2 @cpu(0)>
nd.L2Normalization(a,mode='instance')
Out[21]: 
[[0.4472136 0.8944272]
 [0.6       0.8      ]]
<NDArray 2x2 @cpu(0)>
# 对于地一个样本：[1,2]，就相当于
1/np.sqrt(1*1+2*2)
Out[22]: 0.4472135954999579
2/np.sqrt(1*1+2*2)
Out[23]: 0.8944271909999159
# 第二个样本依次类推

求两个向量差的L2范数，也就是求欧氏距离：

The input F is an mxnet.ndarry or an mxnet.symbol if we hybridize the network. Gluon’s Loss base class is in fact a HybridBlock. This means we can either run imperatively or symbolically. When we hybridize our custom loss function, we can get performance speedups.

F就当作是mxnet.nd吧，当然也可以是symbol，这就是hybridize的奥义？？

margin=6
distances_squared = F.sum(F.square(distances), 1, keepdims=True)
euclidean_distances = F.sqrt(distances_squared + 0.0001)
d = F.clip(margin - euclidean_distances, 0, margin)