nn.BatchNorm 和nn.LayerNorm详解

最新推荐文章于 2025-04-21 16:13:50 发布

统计康康同学

最新推荐文章于 2025-04-21 16:13:50 发布

阅读量9.3k

点赞数 11

文章标签：深度学习 python

本文链接：https://blog.csdn.net/damaomiya/article/details/124245052

版权

本文深入解析了深度学习中两种重要的归一化技术——BatchNorm和LayerNorm。BatchNorm对每个批次的样本进行标准化，而LayerNorm则对每个样本的所有元素进行标准化。通过实例展示了这两种归一化方法在不同数据形状上的应用，并对比了它们在处理序列模型时的效果。理解这两者的区别对于优化神经网络性能至关重要。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

BatchNorm和LayerNorm两者都是将张量的数据进行标准化的函数，区别在于BatchNorm是把一个batch里的所有样本作为元素做标准化，类似于我们统计学中讲的“组间”。layerNorm是把一个样本中所有数据作为元素做标准化，类似于统计学中的“组内”。下面直接举例说明。

首先我这里定义了一个shape为（2,3,2,2）的一个数据。对应（N,C,H,W）表示我这一堆数据中有2个样本，每个样本是一个通道数（channel）为3，长宽为2的图片。如下图。

#设置BatchNorm2d参数
bn=nn.BatchNorm2d(3) #注意参数必须和channel值相同。

print（bn（X）） #输入的X必须是4维的张量（N,C,H,W）

注意看，经过标准化处理后，第一张图片值全部为负，第二张全部为正，这是因为第二张图片设定的值大于第一张。所以这下我们可以理解了BatchNorm是把每一张图片（样本）当做一个元素，对这些元素做标准化处理。

同理可得BatchNorm1d

定义一个shape为（2,3）的张量

#定义BatchNorm1d的参数
bn=nn.BatchNorm1d(3) # shape必须与channel值相同
print(bn(X)) #输入的X必须是二维或者三维张量（N，C）或者（N，C,L）

从输出结果可知，1d与2d的作用相同，只不过从2*2的图片变成了1*L长的序列。

下面来看LayerNorm 。

仍然使用最开始的（2,3,2,2）的数据

#定义LayerNorm 
ln=nn.LayerNorm([3,2,2]) # 参数shape必须与每个图片的形状相同
print(ln(X))

这次可以看到每个样本中都是最后一个channel值为正，这是因为第三个通道的值大得多。

LayerNorm是对样本里所有值做标准化处理，而与另外一个样本无关，这是与BatchNorm的根本区别。

同理 BatchNorm和 LayerNorm还可以用在nlp的序列模型中

定义一个shape为（2,4,4）的序列

#定义BatchNorm和LayerNorm使其能用于nlp序列
bn=BatchNorm1d(4) #参数必须与序列的最后一个维度相同
ln=LayerNorm(4)#参数必须与序列的最后一个维度相同
print(bn(X))
print(ln(X))

LayerNorm结果

BatchNorm1d结果