深度学习基础--正则化与norm--Layer Normalization 即层标准化

Layer Normalization 即层标准化

  Layer Normalization和普通的标准化类似，是将网络中的层进行归一化的操作。
  一般用于RNN。

原因

  对于RNN模型来说，归一化的时候Batch Normalization不再适合，在RNN模型里，sequence的长度是不一致的，正是由于这种不一致的问题，导致BN使用起来效果不佳，借用网上的一句话，RNN的深度不是固定的，不同的time-step需要保存不同的statics特征，可能存在一个特殊的sequence比其sequence长，所以对sequence进行Batch Normalization计算起来比较麻烦。于是乎，Layer Normalization登场了。

优点

  跟BN类似，也具有Normalization的优点，但更适用于RNN模型。

计算和使用

  需要明确的是LN是对层进行归一化的，但是也是对某一层所有的dataset进行归一化的。
  LN中同层输入拥有相同的均值和方差（即整个一层都共享同一个均值和方差），不同输入(训练样本)拥有不同的均值和方差； 而BN是同一个minibatch中的输入拥有相同的均值和方差，而不同minibatch的输入拥有不同的均值和方差。

  1）一般的BN通式：

  2）LN的公式：