我們今天介紹一下神經(jīng)網(wǎng)絡(luò)中的歸一化方法~

之前學(xué)到的機(jī)器學(xué)習(xí)中的歸一化是將數(shù)據(jù)縮放到特定范圍內(nèi)，以消除不同特征之間的量綱和取值范圍差異。通過將原始數(shù)據(jù)縮放到一個(gè)特定的范圍內(nèi)，比如[0,1]或者[-1,1]，來消除不同特征之間的量綱和取值范圍的差異。這樣做的好處包括降低數(shù)據(jù)的量綱差異，避免某些特征由于數(shù)值過大而對模型產(chǎn)生不成比例的影響，以及防止梯度爆炸或過擬合等問題。

神經(jīng)網(wǎng)絡(luò)中的歸一化用于加速和穩(wěn)定學(xué)習(xí)過程，避免梯度問題。?

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)其實(shí)在學(xué)習(xí)數(shù)據(jù)的分布，隨著網(wǎng)絡(luò)的深度增加、網(wǎng)絡(luò)復(fù)雜度增加，一般流經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)都是一個(gè) mini batch，每個(gè) mini batch 之間的數(shù)據(jù)分布變化非常劇烈，這就使得網(wǎng)絡(luò)參數(shù)頻繁的進(jìn)行大的調(diào)整以適應(yīng)流經(jīng)網(wǎng)絡(luò)的不同分布的數(shù)據(jù)，給模型訓(xùn)練帶來非常大的不穩(wěn)定性，使得模型難以收斂。

如果我們對每一個(gè) mini batch 的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化之后，強(qiáng)制使輸入分布保持穩(wěn)定，從而可以加快網(wǎng)絡(luò)的學(xué)習(xí)速度并提高模型的泛化能力。參數(shù)的梯度變化也變得穩(wěn)定，有助于加快模型的收斂。

機(jī)器學(xué)習(xí)中的正則化分為L1和L2正則化，sklearn庫中的Lasso類和Ridge類來實(shí)現(xiàn)L1正則化和L2正則化的線性回歸模型。通過調(diào)整alpha參數(shù)，可以控制正則化的強(qiáng)度。

import numpy as np
from sklearn.linear_model import Lasso
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error# 生成模擬數(shù)據(jù)集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1)# 劃分訓(xùn)練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 創(chuàng)建Lasso回歸模型，并設(shè)置alpha參數(shù)為0.1（正則化強(qiáng)度）
lasso = Lasso(alpha=0.1)# 擬合模型
lasso.fit(X_train, y_train)# 預(yù)測測試集數(shù)據(jù)
y_pred = lasso.predict(X_test)# 計(jì)算均方誤差
mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

1. Ridge回歸模型，fit方法的作用是使用提供的輸入特征矩陣X_train和對應(yīng)的目標(biāo)值y_train來訓(xùn)練模型，即確定模型的權(quán)重參數(shù)。這個(gè)過程涉及到最小化一個(gè)包含L2正則化項(xiàng)的損失函數(shù)，以找到最佳的參數(shù)值，使得模型在訓(xùn)練集上的表現(xiàn)最優(yōu)，同時(shí)通過正則化避免過擬合。?
2. 在模型擬合完成后，可以使用predict方法來進(jìn)行預(yù)測。這個(gè)方法將使用fit方法中學(xué)到的參數(shù)來對新的輸入數(shù)據(jù)X_test進(jìn)行預(yù)測，輸出預(yù)測結(jié)果y_pred。因此，fit方法本身并不直接產(chǎn)生預(yù)測結(jié)果，而是為后續(xù)的預(yù)測準(zhǔn)備了必要的模型參數(shù)。

批量歸一化公式?

• λ 和 β 是可學(xué)習(xí)的參數(shù)，它相當(dāng)于對標(biāo)準(zhǔn)化后的值做了一個(gè)線性變換，λ 為系數(shù)，β 為偏置；
• eps 通常指為 1e-5，避免分母為 0；
• E(x) 表示變量的均值；
• Var(x) 表示變量的方差；

通過批量歸一化（Batch Normalization, 簡稱 BN）層之后，數(shù)據(jù)的分布會被調(diào)整為均值為β，標(biāo)準(zhǔn)差為γ的分布。

批量歸一化通過對每個(gè)mini-batch數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，強(qiáng)制使輸入分布保持穩(wěn)定：?

1. 計(jì)算該批次數(shù)據(jù)的均值和方差：這兩個(gè)統(tǒng)計(jì)量是針對當(dāng)前批次數(shù)據(jù)進(jìn)行計(jì)算的。
2. 利用這些統(tǒng)計(jì)數(shù)據(jù)對批次數(shù)據(jù)進(jìn)行歸一化處理：這一步將數(shù)據(jù)轉(zhuǎn)換為一個(gè)近似以0為中心，標(biāo)準(zhǔn)差為1的正態(tài)分布。
3. 尺度變換和偏移：為了保持網(wǎng)絡(luò)的表達(dá)能力，通過可學(xué)習(xí)的參數(shù)γ（尺度因子）和β（平移因子）對歸一化后的數(shù)據(jù)進(jìn)行縮放和位移。

BN 層的接口?

torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True)

• num_features: 這是輸入張量的特征數(shù)量，即通道數(shù)。它指定了要進(jìn)行歸一化的特征維度。

• eps: 這是一個(gè)小的常數(shù)，用于防止除以零的情況。默認(rèn)值為1e-05。

• momentum: 這是動量值，用于計(jì)算移動平均值。默認(rèn)值為0.1。

• affine: 這是一個(gè)布爾值，表示是否啟用可學(xué)習(xí)的縮放和位移參數(shù)。如果設(shè)置為True，則在訓(xùn)練過程中會學(xué)習(xí)這些參數(shù)；如果設(shè)置為False，則使用固定的縮放和位移參數(shù)。默認(rèn)值為True。

我們通過一個(gè)代碼案例來理解一下工作原理 ：

import torch
import torch.nn as nn# 定義輸入數(shù)據(jù)的形狀
batch_size = 32
num_channels = 3
height = 64
width = 64# 創(chuàng)建輸入張量
input_data = torch.randn(batch_size, num_channels, height, width)# 創(chuàng)建批量歸一化層
bn_layer = nn.BatchNorm2d(num_features=num_channels, eps=1e-05, momentum=0.1, affine=True)# 將輸入數(shù)據(jù)傳入批量歸一化層
output_data = bn_layer(input_data)# 打印輸出數(shù)據(jù)的形狀
print("Output shape:", output_data.shape)