wordpress 图片比例百度网站优化方案
文章目录
- 一，Norimalize(归一化）的想法：
- 二，为什么要做归一化？
- 三，问题来了，如果标准正态分布约束过于严格了怎么办？
- 四，注意：Test-Time
- 五，Batch Normalization 放置的位置
- 六，Batch Normalization的优点
- 七，Layer Normalization
- 八，Instance Normalization
- 九，不同的Normalization的对比
一，Norimalize(归一化）的想法：
- 使得layer的输出为标准正态分布（均值为0，标准差为1）
二，为什么要做归一化？
-
帮助减少内部 internal covariate shift.
-
Internal Covariate Shift（内部协变量偏移）它指的是在训练深度神经网络时，由于每一层的输入分布在训练过程中不断变化，导致网络的学习变得困难的问题。具体来说，当一个层的输入分布发生变化时，该层需要不断地适应新的输入分布，这会使得网络的训练过程变得不稳定，同时也会影响收敛速度和性能。
-
把数据拉回标准正态分布，因为神经网络的Block大部分都是矩阵运算，一个向量经过矩阵运算后值会越来越大，为了网络的稳定性，我们需要及时把值拉回正态分布。
每一个维度来做均值，方差，得到标准正态分布。
三，问题来了，如果标准正态分布约束过于严格了怎么办？
- 这时候我们的，可学习的scale(缩放因子)，shift(平移因子)就闪亮登场了。
- 这两个可学习的参数将修复我们的恒等式
四，注意：Test-Time
-
我们的均值和方差是在Minibatch的基础上做的。在test阶段，我们只单纯测试一张图片的话是得不到均值和方差的。此时，均值和方差用的就是训练过程中的平均值（average of values seen during training）
-
当testing的时候batchnorm就变成了一个线性运算（linear operator），可以跟前一层的全连接层或者卷积层融合起来计算。
五，Batch Normalization 放置的位置
- 通常在全连接层或者卷积层 之后，激活函数之前。
六，Batch Normalization的优点
- 使得更深的网络更简单的训练起来 Makes deep networks much easier to train!
- 用了batch normalization之后 可以设更大的学习率，让其更快的收敛
- 网络 对初始化更具有鲁棒性 了（因为做了归一嘛）
- 在训练的时候有起到 正则化 的效果
- 在test-time 零开销 ：因为可以跟conv做融合嘛，一起计算。
七，Layer Normalization
先来看一下Layer Normalization 与 Batch Normalization的区别
八，Instance Normalization
九，不同的Normalization的对比
