国外地图搜房网站建设,叮当设计app官方下载,重庆百度快照优化排名,淄博网站设计方案为什么需要做归一化#xff1f;
为了消除数据特征之间的量纲影响#xff0c;就需要对特征进行归一化处理#xff0c;使得不同指标之间具有可比性。对特征归一化可以将所有特征都统一到一个大致相同的数值区间内。
为了后⾯数据处理的⽅便#xff0c;归⼀化可以避免⼀些不…为什么需要做归一化
为了消除数据特征之间的量纲影响就需要对特征进行归一化处理使得不同指标之间具有可比性。对特征归一化可以将所有特征都统一到一个大致相同的数值区间内。
为了后⾯数据处理的⽅便归⼀化可以避免⼀些不必要的数值问题。为了程序运⾏时收敛加快。统一量纲。保证输出数据中数值⼩的不被吞⾷。避免神经元饱和。 两种常用的归一化方法 线性归⼀化最大最小归一化Min-Max Scaling 标准差标准化零均值归一化Z-Score Scaling
经过处理的数据符合标准正态分布即均值为 0标准差为 1。
批归⼀化Batch Normalization
局部响应归⼀化
局部响应归⼀化Local Response Normalization LRN是AlexNet中首次引入的归一化方法。
使用LRN的原因是为了鼓励横向抑制。
横向抑制这是神经生物学中的一个概念是指神经元减少其邻居活动的能力。在深度神经网络中这种横向抑制的目的是进行局部对比度增强以便使局部最大像素值用作下一层的激励。
批归⼀化Batch Normalization
以前在神经⽹络训练中只是对输⼊层数据进⾏归⼀化处理却没有在中间层进⾏归⼀化处理。要知道虽然我们对输⼊数据进⾏了归⼀化处理但是输⼊数据运算之后其数据分布很可能被改变⽽随着深度⽹络的多层运算之后数据分布的变化将越来越⼤。
这种在神经⽹络中间层也进行归⼀化处理使训练效果更好的方法就是批归⼀化。
批归一化的算法流程
输⼊上⼀层输出结果X {x1, x2, …, xm} 计算上⼀层输出数据的均值: 计算上⼀层输出数据的标准差 归一化 重构 γ和β为可学习的参数。
批归一化的适用场景及优点
在CNN中批归一化应作⽤在⾮线性映射前。在神经⽹络训练时遇到收敛速度很慢或梯度爆炸等⽆法训练的状况时可以尝试BN来解决。
当BatchSize比较大数据分布比较接近并在训练前对数据充分shuffle。 批归一化不适⽤于动态的⽹络结构和RNN⽹络。
使用批归一化具有以下优点
减少了人为选择参数。减少了对学习率的要求。破坏原来的数据分布⼀定程度上缓解过拟合。减少梯度消失加快收敛速度提⾼训练精度。
