网上有不少解释,包括下面这张图片
光靠图片理解还是不够,而且特别容易理解反了。这里用一个实例进行讲解。
一个非常简单的数据集,包含两个sample,3个features。
第一个sample: X1=1.0,X2=1.0, X3=1.0
第二个sample: X1=10.0,X2=10.0, X3=10.0
data = tf.constant([1.0,1.0,1.0],[10.0,10.0,10.0])
Layer Normalization
tf.keras.layers.LayerNormalization()(data)
给出的结果是
<tf.Tensor: id=260, shape=(2, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
Batch Normalization
tf.keras.layers.BatchNormalization()(data)
给出的结果是
<tf.Tensor: id=311, shape=(2, 3), dtype=float32, numpy=
array([[0.9995004, 0.9995004, 0.9995004],
[9.995004 , 9.995004 , 9.995004 ]], dtype=float32)>
总结
由于数据集中每个sample中的3个feature的取值都一样,所以Layer Normalization之后值全部变成0。也就是说
- Batch Normalization是将feature X在所有batch sample中normalization,所有batch sample中的featture X根据得到的平均值和方差进行normalization;
- Layer Normalization是将每个batch sample中的三个feature X1 X2 X3进行normalization,每个batch sample中的三个feature根据得到的平均值和方差进行normalization。由于Layer Normalization是每个sample独立进行的,所以统计参数(平均值和方差)对于每个sample来说是互相独立的。
参考文献
- https://mlexplained.com/2018/11/30/an-overview-of-normalization-methods-in-deep-learning/
- https://mlexplained.com/2018/01/13/weight-normalization-and-layer-normalization-explained-normalization-in-deep-learning-part-2/