
卷积神经网络 (Convolutional Neural Network, CNN) 是一种深度学习模型,常用于计算机视觉任务。除了常见的卷积层、池化层和全连接层,CNN 中还有一个重要的组件就是归一化层 (Normalization Layer)。在本文中,我们将介绍归一化层的作用以及其在 CNN 中的应用。
归一化层的作用是对网络的输入或某一层的输出进行标准化处理,使得数据分布更加平稳,有利于网络训练的稳定性和泛化能力。通俗来说,就是将输入数据尽量映射到均值为0、方差为1的标准正态分布上,以便于后续层的学习。具体地,归一化层可以分为以下两种类型:
批归一化是由 Ioffe 和 Szegedy 在 2015 年提出的方法,它是目前最常用的归一化方法之一。批归一化层的输入数据是一个 batch 的样本,即一个 batch 内的所有样本共同完成标准化处理。具体地,假设 $x$ 是一个 batch 内的输入数据,$mu_B$ 和 $sigma_B^2$ 分别是这个 batch 的均值和方差,则批归一化的计算公式如下:
$$hat{x}=frac{x-mu_B}{sqrt{sigma_B^2+epsilon}}$$
其中 $epsilon$ 是一个小常数,以防止分母为零。在标准化之后,我们还需要将数据映射回原来的分布,即通过一个可学习的缩放参数 $gamma$ 和平移参数 $beta$ 来实现:
$$y=gamma hat{x} + beta$$
可以看出,批归一化层中,除了均值和方差外,还有两个可学习的参数 $gamma$ 和 $beta$,它们的作用是恢复网络的表达能力。
批归一化的优点在于可以增加模型的泛化性,减少过拟合风险;同时也能够加速训练过程并提高模型的收敛速度。但是,在某些情况下,批归一化可能会对模型的表现产生负面影响。例如,当 batch size 很小时,估计出的均值和方差可能存在较大偏差,导致模型性能下降;此外,批归一化的计算量比较大,因此在嵌入式设备等资源受限的场景中可能不太适用。
组归一化是在批归一化的基础上提出的方法,它将样本分为若干个 group,并针对每个 group 进行标准化处理。假设输入数据 $x$ 的 batch size 为 $N$,通道数为 $C$,则可以将其分为 $G$ 个 group,每个 group 包含 $C/G$ 个通道。组归一化的计算公式如下:
$$hat{x}{n,c}=frac{x{n,c}-mu_g}{sqrt{sigma_g^2+epsilon}}$$
其中 $mu_g$ 和 $sigma_g^2$ 分别表示 $g$ 组中所有通道在某个位置 $(n,h,w)$ 上的均值和方差,即:
$$mu_g=frac{1}{NHW}sum_{n=1}^{N}sum_{h=1}^{H}sum_{w=1}^{
W}sum_{c in G} x_{n,c,h,w}$$
$$sigma_g^2=frac{1}{NHW}sum_{n=1}^{N}sum_{h=1}^{H}sum_{w=1}^{W}sum_{c in G}(x_{n,c,h,w}-mu_g)^2$$
与批归一化不同,组归一化的均值和方差是在每个 group 内计算的,因此不受 batch size 影响,可以适用于小批量训练。此外,由于没有 BN 中需要跨样本计算的均值和方差,组归一化的计算量相对较小,适合于大规模数据集和高分辨率图像处理。
除了批归一化和组归一化,还有其他类型的归一化方法,例如层归一化 (Layer Normalization)、实例归一化 (Instance Normalization) 等等。这些方法在具体场景下可能会更优秀,但是我们不在本文中进行细节介绍。
总之,归一化层是卷积神经网络中一个非常重要的组件,它可以提高网络的稳定性和泛化能力。在实际应用中,我们可以根据具体情况选择不同的归一化方法,并结合其他技巧如学习率调整、正则化等来提高模型效果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17Pandas 写入指定行数据:数据精细化管理的核心技能 在数据处理的日常工作中,我们常常需要面对这样的场景:在庞大的数据集里精 ...
2025-07-17解码 CDA:数据时代的通行证 在数字化浪潮席卷全球的今天,当企业决策者盯着屏幕上跳动的数据曲线寻找增长密码,当科研人员在 ...
2025-07-17CDA 精益业务数据分析:数据驱动业务增长的实战方法论 在企业数字化转型的浪潮中,“数据分析” 已从 “加分项” 成为 “必修课 ...
2025-07-16MySQL 中 ADD KEY 与 ADD INDEX 详解:用法、差异与优化实践 在 MySQL 数据库表结构设计中,索引是提升查询性能的核心手段。无论 ...
2025-07-16解析 MySQL Update 语句中 “query end” 状态:含义、成因与优化指南 在 MySQL 数据库的日常运维与开发中,开发者和 DBA 常会 ...
2025-07-16如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-15CDA 精益业务数据分析:驱动企业高效决策的核心引擎 在数字经济时代,企业面临着前所未有的数据洪流,如何从海量数据中提取有 ...
2025-07-15MySQL 无外键关联表的 JOIN 实战:数据整合的灵活之道 在 MySQL 数据库的日常操作中,我们经常会遇到需要整合多张表数据的场景 ...
2025-07-15Python Pandas:数据科学的瑞士军刀 在数据驱动的时代,面对海量、复杂的数据,如何高效地进行处理、分析和挖掘成为关键。 ...
2025-07-15用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11