【机器学习合集】标准化与池化合集 -＞（个人学习记录笔记）

标准化与池化

1. 标准化/归一化

1.1 归一化

归一化的作用

• 去除量纲的干扰，防止数值过小的特征被淹没
• 保证数据的有效性
• 稳定数据分布

1.2 标准化

批标准化方法 Batch Normailzation

批标准化的好处

• 提高训练速度
• 稳定模型训练

批标准化的缺点与改进

• 要求固定的Batch长度与均匀采样
• batch过小数值计算不稳定

标准化方法的对比

Batch Normalization（批标准化）、Layer Normalization（层标准化）、Group Normalization（组标准化）、Instance Normalization（实例标准化）都是用于深度神经网络的归一化技术，用于改善训练的稳定性和收敛速度。它们在归一化的对象和方式上有一些不同之处：

1. Batch Normalization（批标准化）：

   • 归一化对象：Batch Normalization是在每个神经层的输入上进行归一化，通常是对每个mini-batch的样本进行统计。
   • 归一化方式：它通过计算每个神经元的均值和方差，然后对每个神经元的输出进行归一化，以确保网络的中间层保持稳定。

2. Layer Normalization（层标准化）：

   • 归一化对象：Layer Normalization是在每个神经层的输入上进行归一化，但不考虑mini-batch内的样本，而是考虑单层的所有神经元。
   • 归一化方式：它通过计算每个神经元的均值和方差，然后对单层内的所有神经元的输出进行归一化。

3. Group Normalization（组标准化）：

   • 归一化对象：Group Normalization是在每个神经层的输入上进行归一化，但不是针对整个层或整个mini-batch，而是将神经元分成多个组，然后对每个组内的神经元进行归一化。
   • 归一化方式：它通过计算每个组内神经元的均值和方差，然后对每个组内的神经元的输出进行归一化。

4. Instance Normalization（实例标准化）：

   • 归一化对象：Instance Normalization是在每个神经元的输入上进行归一化，针对每个神经元的输出进行归一化，而不考虑层内、mini-batch内的其他神经元。
   • 归一化方式：它通过计算每个神经元的均值和方差，然后对每个神经元的输出进行归一化。

总的来说，这些归一化方法都有类似的目标，即减少内部协变量偏移（Internal Covariate Shift）以提高深度神经网络的训练稳定性和收敛速度。它们的不同之处在于归一化的对象和方式。选择哪种归一化方法通常取决于网络的结构、任务和实验表现。 Batch Normalization通常用于深度卷积神经网络中，而Layer Normalization、Group Normalization和Instance Normalization可能更适用于其他类型的网络或特定的任务。

当涉及到Batch Normalization（批标准化）、Layer Normalization（层标准化）、Group Normalization（组标准化）、Instance Normalization（实例标准化）时，它们之间的差异在于归一化的对象和方式。下面是一个图示示例，以帮助理解它们的区别：

Batch Normalization (BN)    Layer Normalization (LN)    Group Normalization (GN)       Instance Normalization (IN)
_______________               _______________              _______________              _______________
|     Layer 1   |              |     Layer 1   |           |     Layer 1   |             |     Layer 1   |
| --------------|              | --------------|           | --------------|             | --------------|
|  Neuron 1     |              |  Neuron 1     |           | Group 1       |             |  Neuron 1     |
|  Neuron 2     |              |  Neuron 2     |           | Group 2       |             |  Neuron 2     |
|  Neuron 3     |              |  Neuron 3     |           | Group 3       |             |  Neuron 3     |
|     ...       |              |     ...       |           |     ...       |             |     ...       |
|  Neuron N     |              |  Neuron N     |           | Group N       |             |  Neuron N     |
| --------------|              | --------------|           | --------------|             | --------------|
|     Layer 2   |              |     Layer 2   |           |     Layer 2   |             |     Layer 2   |
| --------------|              | --------------|           | --------------|             | --------------|
|  Neuron 1     |              |  Neuron 1     |           | Group 1       |             |  Neuron 1     |
|  Neuron 2     |              |  Neuron 2     |           | Group 2       |             |  Neuron 2     |
|  Neuron 3     |              |  Neuron 3     |           | Group 3       |             |  Neuron 3     |
|     ...       |              |     ...       |           |     ...       |             |     ...       |
|  Neuron N     |              |  Neuron N     |           | Group N       |             |  Neuron N     |
| _______________|             | _______________|          | ______________|             | ______________|

• Batch Normalization：每个层内的神经元在整个mini-batch中进行归一化。
• Layer Normalization：每一层的神经元在层内进行归一化，但不考虑mini-batch内的样本。
• Group Normalization：每一层的神经元被分成多个组，每个组内的神经元进行归一化，不考虑mini-batch内的样本。
• Instance Normalization：每个神经元单独进行归一化，不考虑层内、mini-batch内的其他神经元。

这个示例说明了它们之间在归一化对象和方式上的区别，希望有助于理解它们的工作原理。这些方法都是用于改善神经网络训练的稳定性和收敛速度，但在不同情况下选择适当的方法可能会有所不同。

自动学习标准化方法

2. 池化

2.1 池化的作用

作用：

• 信息的抽象，去除非细节部分一些噪声的信息
• 获得不同程度上的不变性：旋转不变性，平移不变性

2.2 常见的池化方法

2.3 池化方法的差异

不同的池化方法是用来降低特征图维度的方式，它们在计算输出时有不同的策略。以下是最大值池化、均值池化、随机池化、最小值池化、中值池化和混合池化等池化方法之间的主要区别：

1. 最大值池化（Max Pooling）：

   • 操作方式：在每个池化窗口内选择最大值作为输出。
   • 特点：Max Pooling突出最显著的特征，通常用于提取重要的特征。

2. 均值池化（Average Pooling）：

   • 操作方式：在每个池化窗口内计算所有值的平均值作为输出。
   • 特点：Average Pooling平滑特征图并减小尺寸，用于降低计算量。

3. 随机池化（Random Pooling）：

   • 操作方式：在每个池化窗口内随机选择一个值作为输出。
   • 特点：Random Pooling引入了随机性，有助于提高网络的鲁棒性和泛化性能。

4. 最小值池化（Min Pooling）：

   • 操作方式：在每个池化窗口内选择最小值作为输出。
   • 特点：Min Pooling可用于强调较小的特征值，用于特定任务。

5. 中值池化（Median Pooling）：

   • 操作方式：在每个池化窗口内选择中值（中间值）作为输出。
   • 特点：Median Pooling可以在一定程度上抵御异常值的影响，适用于一些异常值敏感的任务。

6. 混合池化（Mixed Pooling）：

   • 操作方式：结合多种池化策略，可能以一定的权重混合它们的输出。
   • 特点：Mixed Pooling允许根据任务的需要结合不同的池化策略，提高网络的灵活性。

这些池化方法之间的选择通常取决于具体的任务和数据，以及希望突出的特征。混合池化则允许根据需求结合多种池化策略，以实现更大的灵活性。在实际应用中，通常需要进行实验和调整以确定哪种池化方法最适合特定任务。

2.4 池化的必要性

注意：现阶段常常采用带步长的卷积代替池化操作

部分内容来自： 阿里云天池