Batchnorm和Layernorm的区别


  在深度学习训练中,我们经常会遇到这两个归一化操作,他们之间有什么区别呢?我们来简单介绍一下:

一.BatchNorm:

  在深度学习训练的时候我们的数据如果没有经过预处理,有可能会出现梯度消失或者梯度爆炸的情况,那么应该怎么解决这个问题呢?所以我们经常会在训练之前和训练的时候使用标准处理,在CV中最常用的就是BN。我们先来看张动图:
在这里插入图片描述
  从上面的动图中可以看出,BN是针对batch而言的,针对每一个batch的同一通道计算均值和方差进行归一化,因此batch越大,归一化的结果越好。
  需要注意的是BN中实际上是四个参数,除了公式中的 α \alpha α β \beta β 之外,还有两个“隐含”的参数,统计均值和方差,我们知道在计算BN的时候是针对一个batch的,而batch的选择和整体的样本均值和方差是有差距的,因此,在计算的时候要不断地更新统计到的均值和方差,作为最终的统计均值和方差。

二.LayerNorm:

  简单介绍layernorm,就是batchborm是针对一个batch的每个通道之间进行计算均值和方差,而layernorm是针对一个特征矩阵之间按照通道进行计算均值和方差,他只有两个参数,公式和BN是一样的。所以在CV中基本上不用这个归一化,没有什么意义。
  除此之外,还有其他的归一化方法,如:GNIN等,用到的时候可以自己查阅一下资料,下面贴张图:
在这里插入图片描述
  以上只是对batchnormlayernorm做一个简单的介绍,并没有深入剖析,如有错误,敬请指正。

  • 2
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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

打赏作者

I松风水月

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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