Normalization

1.Covariate Shift

当训练集的样本分布和测试集的样本分布不一致的时候，训练集训练得到的模型 不好繁华至测试集，这就是Covariate Shift问题。

需要根据目标样本的分支和训练样本的分布 的比例( P(x)/Q(x) ) 对训练样本做一个矫正。参考1 2

 2.BN

深度网络中，随着网络深度的加深，每一层的输入逐渐向非线性激活函数的两端移动，造成梯度消失现象，训练速度慢。

BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布。

但是拉回来之后，相当于每一层就是在线性变化，深度就没有用了，造成网络的表达能力下降。为了在表达能力和训练速度之前平衡，

BN对变换后的满足均值为0方差为1的x又进行了scale加上shift操作(y=scale*x+shift)。

参考3 非常详细的BN解释。

 

 

参考文献：

1.https://blog.csdn.net/coolluyu/article/details/20280795

2.https://blog.csdn.net/guoyuhaoaaa/article/details/80236500

3.https://www.cnblogs.com/guoyaohua/p/8724433.html

 

1. 为什么要normalization
   1. 机器学习中，有一个前提的假设：数据独立同分布。在把数据喂给模型之前，往往需要进行白化操作
   2. 深度学习中的Internal Coveriate Shift问题
      1. 深度学习涉及很多层的叠加，每一层的参数更新会导致上一层的输入参数发生变化，越往高层变化越剧烈。这就使得高层需要不断去适应低层的参数更新。这样学习率、初始化、参数更新策略都不好弄
      2. 把不同的层看为源空间和目标空间，机器学习中希望源空间和目标空间的分布一致，但多层网络的相当于是边缘分布不一致，条件分布一致
      3. 导致的问题：
         1. 上层参数需要不断适应新的数据分布，降低学习速度
         2. 下层输入的变化可能趋向于变大或变小，导致落入梯度的饱和区，使得学习提早停止
         3. 每层的参数更新都会影响到其他层，因此参数更新要尽可能的小心
2. normalization的通用框架与基本思想
   1. 神经元所做的工作简单边可以描述为y=f(x)，normalization主要是做了平移和伸缩变换。可以归纳为，先做了一个标准化操作，然后再做一个平移和缩放操作
   2. 标准化后不就好了，为什么要再做一个平移和缩放操作呢？
      1. 尊重底层的学习结果：再平移和再缩放的参数都是可以学习的，尊总底层的学习结果
      2. 不降低模型的表达能力 ：保证获得非线性的表达能力。比如sigmoid，如果只做第一步，那么绝大多数输入都落在了线性区，降低了模型的表达能力。而进行第二步就可以恢复模型的表达能力了
      3. 变来变去会不会相当于没变呢：不会。新参数是可以通过网络来学习的。x的均值，之前是下层的复杂结构决定的，现在直接平移参数有关，很容易通过梯度下降来学习，简化网络的训练
3. 主流normalization方法
   1. Batch Normalization
      1. mini btach对单个神经元进行：mini batch的均值和方差作为标准化的参数
      2. 特点：
         1. 希望mini batch之间或者同整体分布之间是同分布的，就需要每个mini batch比较大，分布比较接近，在训练之前要进行充分的shuffle操作
         2. 不使用与动态的网络结构和RNN结构
   2. Layer Normalization
      1. 对单个样本，一层的所有神经元的输入做标准化平移缩放操作
      2. 特点：
         1. 对单个样本操作，避免了BN中mini batch样本分布不一致的问题
         2. 可用于动态网络和RNN
         3. 不需要保存中间的均值和方差，节约存储空间
         4. 一层的不同神经元经过平移和缩放后映射到了同一个空间，如果特殊类别本身差别较大，比如颜色和大小，可能降低模型的表达能力
   3. weight Normalization
      1. BN和 LN都是对输入数据进行Normalization，而weight Normalization是对圈中W进行normalization
      2. BN和LN都是用输入特征数据的方差和均值，对数据进行scale，而WN是用神经元圈重的欧式范数对输入数据进行scale。都是作用在输入数据上，只是拿来作用的源头不同。
      3. WN对应标准公式中只有scale操作而没有平移操作（可以用BN或LN的方式来计算均值miu）
      4. WN的规范化不直接使用输入数据的统计量，避免了BN过分依赖mini batch的不足和LN每一层统一转换的限制
   4. Cosine Normalization
      1. BN和LN对输入数据变换，一个纵向，一个横向
      2. WN对模型参数进行变换
      3. CN另辟蹊径，变换了线性变换的公式，由求点积转化为求余弦相似度。出发点是数据分布的变化，方差变大的一个原因就是点积操作是可能变得很大，而余弦操作自动限定到-1，1的范围。
      4. CN和WN还比较相似，一定程度理解为，WN用模型参数的权重W的模进行scale，而CN在词基础上，又用输入向量的模进行了scale
      5. 本来內积的意义是输入向量在权重向量上的投影，包含夹角信息和模信息，去掉scale信息后，可能模型的表达能力下降
4. normalization为什么有效
   1. 权重伸缩不变性：
      1. W的权重进行伸缩变换，得到的规范化后的值保持不变。因为W伸缩变换时，规范化的分支分母都进行相应变化，可以约去。
      2. 权重伸缩不变性可以有效的提高反向传播的效率：
         1. 权重伸缩变换不会影响反向梯度的jacobian矩阵，也就对反向梯度没有影响。避免了反向传播出现梯度消失或梯度弥散问题，加速网络训练。
         2. 权重伸缩不变性还具有参数正则化的效果，可以使用更高的学习率。权重值越大，其梯度就越小，参数变化也就越稳定，相当于实现了正则化的效果，避免参数大幅震荡。
   2. 数据伸缩不变性：
      1. 输入数据按照lambda进行伸缩变化时，得到的规范化后的值保持不变。对BN LN CN成立。
      2. 数据伸缩不变性可以有效的减小梯度弥散，简化学习率的选择