在深度学习中，归一化 是提高训练效率和稳定性的关键技术。以下是几种常见的神经网络归一化方法的总结，包括其核心思想、适用场景及优缺点。
四种归一化
| 特性 | Batch Normalization | Group Normalization | Layer Normalization | Instance Normalization |
|---|---|---|---|---|
| 计算维度 | 批次内的所有通道 | 单样本分组内通道 | 单样本所有通道 | 单样本每通道 |
| 依赖批量大小 | 是 | 否 | 否 | 否 |
| 应用场景 | 大批量训练 | 小批量或单样本训练 | NLP 等序列任务 | 风格迁移等图像任务 |
1. Batch Normalization (BN)
核心思想：
- 在每个批次内，对每一层的激活值按通道计算均值和标准差，将其归一化到零均值和单位方差，并通过可学习的参数恢复模型表达能力。
公式：
优点：
- 提高收敛速度，减少训练难度。
- 具有一定的正则化效果，缓解过拟合。
缺点：
- 对小批量训练效果较差，因为批内统计量不稳定。
- 对时间序列或变长输入不友好。
适用场景：
- 大批量训练任务（如图像分类、目标检测）。
2. Layer Normalization (LN)
核心思想：
- 对每一个样本的所有通道（整个特征图）进行归一化。
公式：
优点：
- 不依赖批量大小，小批量训练和序列任务中表现良好。
- 适用于变长输入。
缺点：
- 在图像任务中不如 BN 效果好。
适用场景：
- 自然语言处理（如 Transformer）。
- 小批量或单样本任务。
3. Instance Normalization (IN)
核心思想：
- 对每个样本的每个通道独立进行归一化，仅计算空间维度的均值和标准差。
公式：
优点：
- 消除样本间的风格差异。
- 在图像风格迁移中表现优异。
缺点：
- 对模型的分布学习能力有一定限制。
适用场景：
- 图像风格迁移等需要处理单张图像的任务。
4. Group Normalization (GN)
核心思想：
- 将通道分为多个组，每组内部计算均值和标准差进行归一化。
公式：
优点：
- 不依赖批量大小，适合小批量或单样本训练。
- 在小数据集任务中表现良好。
缺点：
- 对大批量训练效率稍逊于 BN。
适用场景：
- 小批量训练任务（如目标检测、医疗图像）。
5. Weight Normalization (WN)
核心思想：
- 对每一层的权重进行归一化，分离权重的方向和尺度，以提升优化效率。
公式：
优点：
- 不引入额外的运行时计算。
- 可加速收敛。
缺点：
- 无法处理激活值的归一化。
适用场景：
- 提升优化效率的任务。
6. Layer-wise Adaptive Normalization (AdaLN)
核心思想：
- 自适应调整归一化过程，结合 IN 和 LN 的优点。
优点：
- 同时适应样本内和样本间的统计特性。
- 在生成式任务中效果良好。
缺点：
- 计算复杂度较高。
适用场景：
- GANs 和生成式模型。
归一化方法对比
| 方法 | 计算维度 | 依赖批量大小 | 优点 | 缺点 | 应用场景 |
|---|---|---|---|---|---|
| BN | 批内的每个通道 | 是 | 加速收敛，正则化 | 小批量性能下降 | 大批量图像任务 |
| LN | 样本内所有通道 | 否 | 小批量效果良好 | 图像任务效果略差 | NLP、序列任务 |
| IN | 样本内每个通道 | 否 | 风格迁移效果好 | 分布学习能力有限 | 图像风格迁移 |
| GN | 样本内分组的通道 | 否 | 适合小批量，小数据集 | 复杂度高于 BN | 小批量检测和分类任务 |
| WN | 权重 | 否 | 提升优化效率 | 不对激活值归一化 | 提高收敛速度的优化任务 |
| AdaLN | 样本内和样本间 | 否 | 自适应效果强 | 计算复杂 | 生成式任务 |
归一化方法的选择应根据任务需求、批量大小和计算资源等因素综合考虑。在大批量训练任务中，BN 仍然是主流方法；而在小批量或特殊任务中，如 NLP 和生成式模型，则可以选择更适合的归一化方法（如 GN 或 LN）。
