（简洁）深度学习中的五种归一化（BN、LN、IN、GN和SN）

冷不防 2022-12-01 05:15 135阅读 0赞

原文链接：[https://blog.csdn.net/u013289254/article/details/99690730][https_blog.csdn.net_u013289254_article_details_99690730]

### **一. 本文的内容包括：** ###

1. Batch Normalization，其论文：[https://arxiv.org/pdf/1502.03167.pdf][https_arxiv.org_pdf_1502.03167.pdf]

2. Layer Normalizaiton，其论文：[https://arxiv.org/pdf/1607.06450v1.pdf][https_arxiv.org_pdf_1607.06450v1.pdf]

3. Instance Normalization，其论文：[https://arxiv.org/pdf/1607.08022.pdf][https_arxiv.org_pdf_1607.08022.pdf]

4. Group Normalization，其论文：[https://arxiv.org/pdf/1803.08494.pdf][https_arxiv.org_pdf_1803.08494.pdf]

5. Switchable Normalization，其论文：[https://arxiv.org/pdf/1806.10779.pdf][https_arxiv.org_pdf_1806.10779.pdf]

### **二. 介绍** ###

在介绍各个算法之前，我们先引进一个问题：为什么要做归一化处理？

神经网络学习过程的本质就是为了学习数据分布，如果我们没有做归一化处理，那么每一批次训练数据的分布不一样，从大的方向上看，神经网络则需要在这多个分布中找到平衡点，从小的方向上看，由于每层网络输入数据分布在不断变化，这也会导致每层网络在找平衡点，显然，神经网络就很难收敛了。当然，如果我们只是对输入的数据进行归一化处理（比如将输入的图像除以255，将其归到0到1之间），只能保证输入层数据分布是一样的，并不能保证每层网络输入数据分布是一样的，所以也需要在神经网络的中间层加入归一化处理。

BN、LN、IN和GN这四个归一化的计算流程几乎是一样的，可以分为四步：

1.计算出均值

2.计算出方差

3.归一化处理到均值为0，方差为1

4.变化重构，恢复出这一层网络所要学到的分布

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyODkyNTQ_size_16_color_FFFFFF_t_70][]

训练的时候，是根据输入的每一批数据来计算均值和方差，那么测试的时候，平均值和方差是怎么来的？

对于均值来说直接计算所有训练时batch 均值的平均值；然后对于标准偏差采用每个batch 方差的无偏估计

![20190817112017278.png][]

接下来，我们先用一个示意图来形象的表现BN、LN、IN和GN的区别（图片来自于GN这一篇论文），在输入图片的维度为（NCHW）中，HW是被合成一个维度，这个是方便画出示意图，C和N各占一个维度

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyODkyNTQ_size_16_color_FFFFFF_t_70 1][]

** Batch Normalization：**

1.BN的计算就是把每个通道的NHW单独拿出来归一化处理

2.针对每个channel我们都有一组γ,β，所以可学习的参数为2\*C

3.当batch size越小，BN的表现效果也越不好，因为计算过程中所得到的均值和方差不能代表全局

**Layer Normalizaiton：**

1.LN的计算就是把每个CHW单独拿出来归一化处理，不受batchsize 的影响

2.常用在RNN网络，但如果输入的特征区别很大，那么就不建议使用它做归一化处理

**Instance Normalization**

1.IN的计算就是把每个HW单独拿出来归一化处理，不受通道和batchsize 的影响

2.常用在风格化迁移，但如果特征图可以用到通道之间的相关性，那么就不建议使用它做归一化处理

**Group Normalizatio**

1.GN的计算就是把先把通道C分成G组，然后把每个gHW单独拿出来归一化处理，最后把G组归一化之后的数据合并成CHW

2.GN介于LN和IN之间，当然可以说LN和IN就是GN的特列，比如G的大小为1或者为C

**Switchable Normalization**

1.将 BN、LN、IN 结合，赋予权重，让网络自己去学习归一化层应该使用什么方法

2.集万千宠爱于一身，但训练复杂

[https_blog.csdn.net_u013289254_article_details_99690730]: https://blog.csdn.net/u013289254/article/details/99690730
[https_arxiv.org_pdf_1502.03167.pdf]: https://arxiv.org/pdf/1502.03167.pdf
[https_arxiv.org_pdf_1607.06450v1.pdf]: https://arxiv.org/pdf/1607.06450v1.pdf
[https_arxiv.org_pdf_1607.08022.pdf]: https://arxiv.org/pdf/1607.08022.pdf
[https_arxiv.org_pdf_1803.08494.pdf]: https://arxiv.org/pdf/1803.08494.pdf
[https_arxiv.org_pdf_1806.10779.pdf]: https://arxiv.org/pdf/1806.10779.pdf
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyODkyNTQ_size_16_color_FFFFFF_t_70]: /images/20221123/e4aaf0d1a5134199beb2fffa2f21fb2e.png
[20190817112017278.png]: /images/20221123/dea2289c5eee4626b8926674a9e87310.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyODkyNTQ_size_16_color_FFFFFF_t_70 1]: /images/20221123/edf262b9105247dfb0a040faac2325f7.png