归一化与标准化

---

本文选自：🔗365天深度学习训练营 （免费辅导、免费咨询）

---

🥂 数据缩放

归一化与标准化是特征缩放的两种形式，其作用是：

• 使不同量纲的特征处于同一数值量级，减少方差大的特征的影响，使模型更准确。
• 加快学习算法的收敛速度。

归一化是将数据“拍扁”统一到区间（仅由极值决定），而标准化是更加“弹性”和“动态”的，和整体样本的分布有很大的关系

• 归一化：把数变为（0，1）之间的小数；缩放仅仅跟最大、最小值的差别有关。
• 标准化：将数据按比例缩放，使之落入一个小的特定区间；缩放与每个点都有关

---

🍧 归一化(Normalization)

一般来说用的是min-max归一化，缩放到0-1之间，即：

对于图片来说，由于max是255，min是0，也就是直接除以255就可以完成归一化。

代码实现：

# 将像素的值标准化至0到1的区间内。
train_images, test_images = train_images / 255.0, test_images / 255.0

参考实例： 🔗深度学习100例-卷积神经网络（CNN）实现mnist手写数字识别 | 第1天

🔔 为什么要进行归一化：

不归一化处理时 ，如果特征值较大时，梯度值也会较大，特征值较小时，梯度值也会较小。在模型反向传播时，梯度值更新与学习率一样，当学习率较小时，梯度值较小会导致更新缓慢，当学习率较大时，梯度值较大会导致模型不易收敛，因此为了 使模型训练收敛平稳，对图像进行归一化操作，把不同维度的特征值调整到相近的范围内，就可以采用统一的学习率加速模型训练

---

🍦 标准化(Standardization)

将数据变换成均值为0，标准差为1的分布(但不一定为正态)：

代码实现：

transforms.Normalize(mean = (0.485, 0.456, 0.406), std = (0.229, 0.224, 0.225))

🔔 为什么要进行标准化：

提升模型的泛化能力。

---

本文参考链接：

• https://www.zhihu.com/question/20455227
• https://www.zhihu.com/question/20467170
• https://blog.csdn.net/qq_40714949/article/details/115267174