知识卡片
特征标准化与尺度
特征标准化对每一维减去训练数据中的均值,再除以该维标准差,使不同量纲的特征处于可比较的尺度。对于不同特征尺度差异大的模型,这有助于改善优化条件;标准差为零或很小时需要实现上的数值保护。不能用测试集信息估计训练时的标准化统计量。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度学习基础 3.7 批量归一化 · 查看原书依据
归一化有个好处:做完归一化以后,这个维度里的数值的平均值为 0、方差为 1,所以这些数值的分布都会在 0 上下;对每一个维度都做同样的归一化,所有特征向量的不同维度里的数值都在 0 上下,这样就有可能构造一个比较好的误差表面.像这样的特征归一化往往对训练有帮助,可以在梯度下降 的时候使损失收敛更快一点,从而使训练更顺利一点.
参考来源
- 位置:《深度学习详解》第3章《深度学习基础》3.7 批量归一化(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter03.xhtml`)
- 结论依据:原文说明各维统计、批量训练和推断方式,或比较批量归一化的不同解释。
- 原始内容:归一化有个好处:做完归一化以后,这个维度里的数值的平均值为 0、方差为 1,所以这些数值的分布都会在 0 上下;对每一个维度都做同样的归一化,所有特征向量的不同维度里的数值都在 0 上下,这样就有可能构造一个比较好的误差表面.像这样的特征归一化往往对训练有帮助,可以在梯度下降 的时候使损失收敛更快一点,从而使训练更顺利一点.