【DeepSeek-R1背后的技术】系列博文：
第1篇：混合专家模型（MoE）
第2篇：大模型知识蒸馏（Knowledge Distillation）
第3篇：强化学习（Reinforcement Learning, RL）
第4篇：本地部署DeepSeek，断网也能畅聊！
第5篇：DeepSeek-R1微调指南
第6篇：思维链（CoT）
第7篇：冷启动
第8篇：位置编码介绍（绝对位置编码、RoPE、ALiBi、YaRN）
第9篇：MLA（Multi-Head Latent Attention，多头潜在注意力）
第10篇：PEFT（参数高效微调——Adapter、Prefix Tuning、LoRA）
第11篇：RAG原理介绍和本地部署（DeepSeek+RAGFlow构建个人知识库）
第12篇：分词算法Tokenizer（WordPiece，Byte-Pair Encoding (BPE)，Byte-level BPE(BBPE)）
第13篇：归一化方式介绍（BatchNorm, LayerNorm, Instance Norm 和 GroupNorm）

我们用一张图就能快速理解四种归一化方式的不同之处了。

1 Batch Normalization (BatchNorm)

方法：对每个特征通道，在 整个mini-batch 的样本和空间维度（如图像的高、宽）上计算均值和方差，进行归一化。

公式：

优点：

• 加速训练收敛，减少内部协变量偏移。
• 提供轻微的正则化效果（依赖噪声化的统计量）。
• 在CNN中广泛应用，尤其在图像分类任务（如ResNet）。

缺点：

• 依赖较大的batch size（小batch时统计量估计不准确）。
• 训练与测试逻辑不同（测试时使用移动平均的均值和方差）。
• 不适用于RNN或动态网络（序列长度变化导致统计量不稳定）。

2 Layer Normalization (LayerNorm)

方法：对 单个样本的所有特征（通道、空间维度）计算均值和方差，独立归一化。

公式：

优点：

• 不依赖batch size，适合小批量或单样本训练。
• 在RNN、Transformer中表现稳定（逐样本归一化）。

缺点：

• 在CNN中效果通常不如BatchNorm（忽略局部空间相关性）。
• 对输入特征的尺度敏感，需谨慎初始化。

适用场景：序列模型（如LSTM、Transformer）、强化学习。

3 Instance Normalization (InstanceNorm)

方法：对 每个样本的每个通道 单独计算均值和方差，独立归一化。

公式：

优点：

• 保留样本间独立性，适合风格迁移、GAN等生成任务。
• 消除内容图像的对比度信息，突出风格特征。

缺点：

• 丢失通道间的关联信息，可能影响识别任务性能。

适用场景：图像生成（如StyleGAN）、风格迁移。

4 Group Normalization (GroupNorm)

方法：将通道分为 (G) 组，对 每组通道 在单个样本的空间维度上计算均值和方差。

公式：

优点：

• 不依赖batch size，适合小批量训练（如目标检测、分割）。
• 平衡通道间信息利用与归一化稳定性（通过调节组数 (G)）。

缺点：

• 组数 (G) 需调参（通常设为32或16）。
• 在极大batch size下可能弱于BatchNorm。

适用场景：小batch任务（如检测模型Mask R-CNN）、视频处理。

5 总结

方法	归一化维度	优点	缺点	典型应用场景
BatchNorm	(N, H, W)	加速训练，正则化	依赖大batch，RNN不适用	CNN图像分类（ResNet）
LayerNorm	(C, H, W)	不依赖batch，适合序列模型	CNN效果一般	Transformer, RNN
InstanceNorm	(H, W) 单样本单通道	保留实例独立性	丢失通道间信息	风格迁移，GAN
GroupNorm	(C/G, H, W) 分组通道	小batch友好，灵活	需调参组数G	目标检测（Mask R-CNN）

选择建议 ：

• CNN图像分类：优先BatchNorm（batch size足够大时）。
• 小batch任务/检测分割：GroupNorm。
• RNN/Transformer：LayerNorm。
• 图像生成/风格迁移：InstanceNorm。