Layer Normalization

在学习Layer Normalization之前建议大家先自行学习Batch Normalization.

鉴于BN存在一些问题,LayerNormalzation才得以提出,并且LayerNormalization可以直接应用于recurrent neural networks,并且也解决了BN当batch size=1不能进行在线学习,在线预测的问题。

layer normalization和BN的整个思想是相近的,不同的是应用场景和计算均值、方差的方法是不同,但是总体而言都是通过归一化来加快训练速度,找到更佳的优化点来提升效果的。

无论是BN还是LN都是基于“covariate shift”的问题而设计的。不同于BN,LN进行normalization的数据,均值和方差的计算集合是同一层所有隐节点,公式如下:

其中,H为隐层l的节点数量,\mu^{l}为均值,\sigma ^{l}为方差,

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值