【深度学习】四种归一化方式对比：| LayerNorm，BatchNorm，InstanceNorm，GroupNorm

归一化技术可以很好地，缓解梯度消失/爆炸问题，并有助于更快地收敛，也是一种正则化技术防止过拟合

实际中会看到好多归一化

比如BatchNorm，LayerNorm，GroupNorm，InstanceNorm

1 四种归一化方式对比

这四种归一化方法在神经网络中都有各自的应用场景和特点：

1. BatchNorm（批归一化）：

   • 应用场景：通常用于卷积神经网络（CNN）和全连接神经网络（DNN）中。
   • 工作原理：对每个特征通道在每个训练批次上进行归一化，使得均值接近0，方差接近1。
   • 优点：加速训练收敛，减少梯度消失/爆炸问题，具有轻微的正则化效果。
   • 示例：在训练图像分类模型时，可以使用nn.BatchNorm2d对卷积层的输出进行归一化。

2. LayerNorm（层归一化）：

   • 应用场景：适用于循环神经网络（RNN）和Transformer等序列模型中。
   • 工作原理：对每个样本的每个特征通道进行归一化，使得均值接近0，方差接近1。
   • 优点：不受批量大小影响，适用于小批量大小和单个样本的情况。
   • 示例：在Transformer的每个注意力子层后应用nn.LayerNorm对特征进行归一化。

3. GroupNorm（组归一化）：

   • 应用场景：适用于通道较少的情况，例如较小的卷积神经网络或分组卷积中。
   • 工作原理：将通道分成多个组，在每个组内对通道进行归一化，每个组有自己的均值和方差。
   • 优点：不受批量大小影响，适用于小批量大小和通道较少的情况。
   • 示例：在较小的卷积神经网络中，可以使用nn.GroupNorm对通道进行归一化。

4. InstanceNorm（实例归一化）：

   • 应用场景：适用于风格迁移、超分辨率等需要保留样本间信息的任务中。
   • 工作原理：对每个样本的每个通道进行归一化，使得每个样本的均值接近0，方差接近1。
   • 优点：不受批量大小影响，保留了样本间的信息。
   • 示例：在风格迁移网络中，可以使用nn.InstanceNorm2d对特征进行归一化。

综上所述，选择适当的归一化方法取决于具体的神经网络架构、任务需求和数据特征。

2 代码实践

2.1 BatchNorm（批归一化）

nn.BatchNorm2d是PyTorch中用于实现批归一化（Batch Normalization）的类，适用于二维输入，通常用于卷积神经网络（CNN）中。它将输入沿着指定的维度（通常是通道维度）进行归一化，使得每个通道的均值接近0，方差接近1。

nn.BatchNorm2d的主要参数包括：

• num_features：输入特征的数量，通常为输入数据的通道数。
• eps：为保证数值稳定性而添加到方差的小值。
• momentum：用于计算 running mean 和 running variance 的动量。

下面是一个示例代码，演示了如何使用nn.BatchNorm2d对输入张量进行归一化：

import torch
import torch.nn as nn

# 创建一个输入张量，大小为(batch_size, num_channels, height, width)
input_tensor = torch.randn(2, 3, 3, 3)

# 创建一个BatchNorm2d层，对每个通道进行归一化
batch_norm = nn.BatchNorm2d(3)

# 对输入张量进行归一化
output = batch_norm(input_tensor)

print(output.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13

在这个示例中，nn.BatchNorm2d(3)表示对输入张量的每个通道进行归一化，其中3是输入张量的通道数。最终输出的形状与输入张量相同。

2.2 LayerNorm（层归一化）

nn.LayerNorm是PyTorch中用于实现层归一化（Layer Normalization）的类，适用于多维输入。与批归一化不同，层归一化是在每个样本的每个通道上进行归一化，而不是在整个批次上。这使得它更适合用于循环神经网络（RNN）等序列模型中，因为它不依赖于批次大小，并且对单个样本也有效。

nn.LayerNorm的主要参数包括：

• normalized_shape：输入张量的形状，通常是一个整数或整数元组，表示输入张量的特征维度。
• eps：为保证数值稳定性而添加到方差的小值。

下面是一个示例代码，演示了如何使用nn.LayerNorm对输入张量进行归一化：

import torch
import torch.nn as nn

# 创建一个输入张量，大小为(batch_size, num_channels, height, width)
input_tensor = torch.randn(2, 3, 3, 3)

# 创建一个LayerNorm层，对每个样本的每个通道进行归一化
layer_norm = nn.LayerNorm([3, 3, 3])

# 对输入张量进行归一化
output = layer_norm(input_tensor)

print(output.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13

在这个示例中，nn.LayerNorm([3, 3, 3])表示对输入张量的每个样本的每个通道进行归一化，其中[3, 3, 3]是输入张量的特征维度。最终输出的形状与输入张量相同。

2.3 InstanceNorm（实例归一化）

nn.InstanceNorm2d是PyTorch中用于实现实例归一化（Instance Normalization）的类，适用于二维输入，通常用于风格迁移、超分辨率等需要保留样本间信息的任务中。与批归一化不同，实例归一化在每个样本的每个通道上进行归一化，而不是在整个批次上。这使得它更适合保留样本间的信息，并且不依赖于批次大小。

nn.InstanceNorm2d的主要参数包括：

• num_features：输入特征的数量，通常为输入数据的通道数。
• eps：为保证数值稳定性而添加到方差的小值。

下面是一个示例代码，演示了如何使用nn.InstanceNorm2d对输入张量进行归一化：

import torch
import torch.nn as nn

# 创建一个输入张量，大小为(batch_size, num_channels, height, width)
input_tensor = torch.randn(2, 3, 3, 3)

# 创建一个InstanceNorm2d层，对每个样本的每个通道进行独立的归一化
instance_norm = nn.InstanceNorm2d(3)

# 对输入张量进行归一化
output = instance_norm(input_tensor)

print(output.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13

在这个示例中，nn.InstanceNorm2d(3)表示对输入张量的每个样本的每个通道进行独立的归一化，其中3是输入张量的通道数。最终输出的形状与输入张量相同。

2.4 GroupNorm（组归一化）

torch.nn.GroupNorm是PyTorch中的一个归一化层，用于在神经网络中标准化输入。与torch.nn.BatchNorm（批标准化）不同，GroupNorm将输入分成多个组，并在每个组内进行标准化。这种归一化方法在小批量大小下也能保持性能，并且对于通道数较少的情况更有效。以下是GroupNorm的主要特点和参数：

• num_groups（int）：将输入通道分成多少组。每个组内的通道会被一起归一化。
• num_channels（int）：输入张量的通道数。
• eps（float）：用于数值稳定性的epsilon值，避免除以零的情况。

当分组数和通道数相同的时候，相当于调用InstanceNorm

当分组数为1的时候，相当于调用LayerNorm

input = torch.randn(20, 6, 10, 10)
# 6个通道分为3个
m = nn.GroupNorm(3, 6)
#6个通道分为3个 (等价于InstanceNorm)
m = nn.GroupNorm(6, 6)
# 6个通道分为1个 (等价于LayerNorm)
m = nn.GroupNorm(1, 6)
output = m(input)
1
2
3
4
5
6
7
8

使用示例：

import torch
import torch.nn as nn

# 创建一个输入张量，大小为(batch_size, num_channels, height, width)
input_tensor = torch.randn(2, 6, 3, 3)

# 创建一个GroupNorm层，将通道分成2组
group_norm = nn.GroupNorm(2, 6)

# 对输入张量进行标准化
output = group_norm(input_tensor)

print(output.shape)
1
2
3
4
5
6
7
8
9
10
11
12
13

在上面的示例中，GroupNorm层将输入张量的通道分成了2组，然后在每个组内进行标准化。