深度学习中归一化的方法

深度学习中常用的归一化方法有：最大最小归一化（Min-Max Scaling）、Z-score归一化（Standardization）、小数定标归一化（Decimal Scaling）、批量归一化（Batch Normalization，BN）、层归一化（Layer Normalization，LN）、实例归一化（Instance Normalization，IN）和组归一化（Group Normalization，GN）。

1. 最大最小归一化（Min-Max Scaling）：将数据缩放到一个指定的最小值和最大值之间。对于每个特征，它将原始值减去最小值，并除以最大值与最小值之差。这种方法将数据线性映射到[0,1]范围内。这种归一化方法适用于特征值分布有确定的上下界的情况，如图像像素值等。例如，将图像的像素值从0-255范围归一化到0-1范围。

2. Z-score归一化（Standardization）：通过减去均值，再除以标准差，将数据转化为标准正态分布。这种方法假设数据服从正态分布，将数据减去均值后，均值为0，标准差为1。Z-score归一化适用于特征值分布无特定上下界的情况，例如文本数据中的词频。例如，将NLP任务中的词频向量进行Z-score归一化。

3. 小数定标归一化（Decimal Scaling）：将数据除以10的幂次，使得数据的绝对值都小于1。这种方法不需要知道数据的分布情况，适用于特征值分布无特定上下界的情况。例如，将一个图像的像素值除以255，将其范围归一化到0-1。

4. 批量归一化（Batch Normalization，BN）：在神经网络的每一层中，对每个mini-batch的输入进行归一化处理。它通过减去均值，再除以标准差，将输入数据转化为均值为0，标准差为1的分布。这样可以加速网络的训练过程，同时可以防止梯度消失或爆炸的问题。例如，在图像分类任务中，对于每个卷积层或全连接层的输出进行批量归一化。

5. 层归一化（Layer Normalization，LN）：与批量归一化类似，但是在层归一化中，每个样本的特征维度上进行归一化。它通过减去均值，再除以标准差，将每个样本的特征维度转化为均值为0，标准差为1的分布。相比于批量归一化，层归一化在训练样本较小、样本间相互影响较大的情况下更稳定。例如，在NLP任务中，对于每个样本的词向量进行层归一化。

6. 实例归一化（Instance Normalization，IN）：与批量归一化类似，但是在实例归一化中，对每个样本的特征维度进行归一化。它通过减去均值，再除以标准差，将每个样本的特征维度转化为均值为0，标准差为1的分布。与批量归一化相比，实例归一化更适用于图像生成等任务中，每个样本的特征维度独立于其他样本的情况。例如，在图像生成任务中，对于每个样本的特征图进行实例归一化。

7. 组归一化（Group Normalization，GN）：在神经网络的每一层中，将特征分成若干组，对每个组的特征进行归一化处理。组归一化可以看作是批量归一化和层归一化的一种折中方法。它通过减去均值，再除以标准差，将每个组的特征维度转化为均值为0，标准差为1的分布。组归一化适用于样本较小、样本间相互影响较大，但又不需要对整个mini-batch进行归一化的情况。例如，在图像分割任务中，对于每个卷积层输出的特征图进行组归一化。每个特征图对应一个通道，而组归一化是将特征图按照通道分成若干组，然后对每一组进行独立的归一化操作。

以上是对深度学习中常用归一化方法的通俗易懂解释及示例。归一化的数据维度取决于具体的应用场景，例如图像分类任务中，数据维度可以是图像的像素值；NLP任务中，数据维度可以是词频向量或词嵌入向量。