几种常见的归一化方法是什么（几种常见的归一化方法）
数据归一化是深度学习数据预处理中非常关键的步骤 ，可以起到统一量纲 ，防止小数据被吞噬的作用 。
一：归一化的概念
归一化就是把所有数据都转化成[0,1]或者[-1,1]之间的数 ，其目的是为了取消各维数据之间的数量级差别 ，避免因为输入输出数据数量级差别大而造成网络预测误差过大 。
二：归一化的作用
1）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 。
2）为了程序运行时收敛速度更快
3）统一量纲 。样本数据的评价标准不一样 ，需要对其量纲化 ，统一评价标准 ，这算是应用层面的需求 。
4）避免神经元饱和 。就是说当神经元的激活在接近0或者1时 ，在这些区域 ，梯度几乎为0 ，这样在反向传播过程中 ，局部梯度就会接近于0 ，这样非常不利于网络的训练 。
5）保证输出数据中数值小的不被吞食 。
三：归一化的类型
1：线性归一化
线性归一化也被称为最小-最大规范化；离散标准化 ，是对原始数据的线性变换 ，将数据值映射到[0,1]之间 。用公式表示为：
差标准化保留了原来数据中存在的关系 ，是消除量纲和数据取值范围影响的最简单的方法 。代码实现如下：
def MaxMinNormalization(x,Max,Min): x = (x - Min) / (Max - Min); return x适用范围：比较适用在数值比较集中的情况
缺点：1）如果max和min不稳定 ，很容易使得归一化的结果不稳定 ，使得后续使用效果也不稳定 。如果遇到超过目前属性[min,max]取值范围的时候 ，会引起系统报错 。需要重新确定min和max 。
2）如果数值集中的某个数值很大 ，则规范化后各值接近于0 ，并且将会相差不大 。（如 1,1.2,1.3,1.4,1.5,1.6,10）这组数据 。
2：零-均值归一化（Z-score标准化）
Z-score标准化也被称为标准差标准化 ，经过处理的数据的均值为0 ，标准差为1 。其转化公式为：
其中为原始数据的均值 ，为原始数据的标准差 ，是当前用的最多的标准化公式
这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化 。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 ，这里的关键在于复合标准正态分布
代码实现如下：
def Z_ScoreNormalization(x,mu,sigma): x = (x - mu) / sigma; return x3：小数定标规范化
这种方法通过移动属性值的小数数位 ，将属性值映射到[-1,1]之间 ，移动的小数位数取决于属性值绝对值的最大值 。转换公式为：
4:非线性归一化
这个方法包括log ，指数 ，正切
适用范围：经常用在数据分析比较大的场景 ，有些数值很大 ，有些很小 ，将原始值进行映射 。
四：批归一化（BatchNormalization）
1：引入
在以往的神经网络训练时 ，仅仅只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 。虽然我们对输入数据进行了归一化处理 ，但是输入数据经过了这样的矩阵乘法之后 ，其数据分布很可能发生很大改变 ，并且随着网络的层数不断加深 。数据分布的变化将越来越大 。因此这种在神经网络中间层进行的归一化处理 ，使得训练效果更好的方法就被称为批归一化（BN）
2：BN算法的优点
1）减少了人为选择参数
2）减少了对学习率的要求 ，我们可以使用初始状态下很大的学习率或者当使用较小的学习率时 ，算法也能够快速训练收敛 。
3）破换了原来的数据分布 ，一定程度上缓解了过拟合（防止每批训练中某一个样本经常被挑选到）
4）减少梯度消失 ，加快收敛速度 ，提高训练精度 。
3：批归一化（BN）算法流程
输入：上一层输出结果X={x1,x2,.....xm},学习参数 ，
算法流程：
1）计算上一层输出数据的均值：
其中 ，m是此次训练样本batch的大小 。
2）计算上一层输出数据的标准差：
3)归一化处理得到
公式中的是为了避免分母为0而加进去接近于0的很小的值 。
4）重构 ，对经过上面归一化处理得到的数据进行重构 ，得到：
其中 ，为可学习的参数 。
详细理解可参考：深度学习基础之归一化
几种常见的归一化方式
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！