深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練之難眾所周知，其中一個(gè)重要的現(xiàn)象就是 Internal Covariate Shift. Batch Norm 大法自 2015 年由Google 提出之后，就成為深度學(xué)習(xí)必備之神器。自 BN 之后， Layer Norm / Weight Norm / Cosine Norm 等也橫空出世。本文從 Normalization 的背景講起，用一個(gè)公式概括 Normalization 的基本思想與通用框架，將各大主流方法一一對號(hào)入座進(jìn)行深入的對比分析，并從參數(shù)和數(shù)據(jù)的伸縮不變性的角度探討 Normalization 有效的深層原因。
作者：Juliuszh，PhD 畢業(yè)于 THU 計(jì)算機(jī)系。現(xiàn)在 Tencent AI Lab 從事機(jī)器學(xué)習(xí)和個(gè)性化推薦研究與 AI 平臺(tái)開發(fā)工作。
來源：機(jī)器學(xué)習(xí)札記知乎專欄

目錄：

1. 為什么需要 Normalization
——深度學(xué)習(xí)中的 Internal Covariate Shift 問題及其影響
2. Normalization 的通用框架與基本思想
——從主流 Normalization 方法中提煉出的抽象框架
3. 主流 Normalization 方法梳理
——結(jié)合上述框架，將 BatchNorm / LayerNorm / WeightNorm / CosineNorm 對號(hào)入座，各種方法之間的異同水落石出。
4. Normalization 為什么會(huì)有效？
——從參數(shù)和數(shù)據(jù)的伸縮不變性探討Normalization有效的深層原因。

以下是正文，enjoy.

1. 為什么需要 Normalization

1.1 獨(dú)立同分布與白化

機(jī)器學(xué)習(xí)界的煉丹師們最喜歡的數(shù)據(jù)有什么特點(diǎn)？竊以為，莫過于“獨(dú)立同分布”了，即independent and identically distributed，簡稱為 i.i.d. 獨(dú)立同分布并非所有機(jī)器學(xué)習(xí)模型的必然要求（比如 Naive Bayes 模型就建立在特征彼此獨(dú)立的基礎(chǔ)之上，而Logistic Regression 和 神經(jīng)網(wǎng)絡(luò) 則在非獨(dú)立的特征數(shù)據(jù)上依然可以訓(xùn)練出很好的模型），但獨(dú)立同分布的數(shù)據(jù)可以簡化常規(guī)機(jī)器學(xué)習(xí)模型的訓(xùn)練、提升機(jī)器學(xué)習(xí)模型的預(yù)測能力，已經(jīng)是一個(gè)共識(shí)。

因此，在把數(shù)據(jù)喂給機(jī)器學(xué)習(xí)模型之前，“白化（whitening）”是一個(gè)重要的數(shù)據(jù)預(yù)處理步驟。白化一般包含兩個(gè)目的：

（1）去除特征之間的相關(guān)性 —> 獨(dú)立；
（2）使得所有特征具有相同的均值和方差 —> 同分布。

白化最典型的方法就是PCA，可以參考閱讀 PCAWhitening。

1.2 深度學(xué)習(xí)中的 Internal Covariate Shift

深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練為什么會(huì)很困難？其中一個(gè)重要的原因是，深度神經(jīng)網(wǎng)絡(luò)涉及到很多層的疊加，而每一層的參數(shù)更新會(huì)導(dǎo)致上層的輸入數(shù)據(jù)分布發(fā)生變化，通過層層疊加，高層的輸入分布變化會(huì)非常劇烈，這就使得高層需要不斷去重新適應(yīng)底層的參數(shù)更新。為了訓(xùn)好模型，我們需要非常謹(jǐn)慎地去設(shè)定學(xué)習(xí)率、初始化權(quán)重、以及盡可能細(xì)致的參數(shù)更新策略。

Google 將這一現(xiàn)象總結(jié)為 Internal Covariate Shift，簡稱 ICS. 什么是 ICS 呢？@魏秀參在一個(gè)回答中做出了一個(gè)很好的解釋：

大家都知道在統(tǒng)計(jì)機(jī)器學(xué)習(xí)中的一個(gè)經(jīng)典假設(shè)是“源空間（source domain）和目標(biāo)空間（target domain）的數(shù)據(jù)分布（distribution）是一致的”。如果不一致，那么就出現(xiàn)了新的機(jī)器學(xué)習(xí)問題，如 transfer learning / domain adaptation 等。而 covariate shift 就是分布不一致假設(shè)之下的一個(gè)分支問題，它是指源空間和目標(biāo)空間的條件概率是一致的，但是其邊緣概率不同，即：

但是大家細(xì)想便會(huì)發(fā)現(xiàn)，的確，對于神經(jīng)網(wǎng)絡(luò)的各層輸出，由于它們經(jīng)過了層內(nèi)操作作用，其分布顯然與各層對應(yīng)的輸入信號(hào)分布不同，而且差異會(huì)隨著網(wǎng)絡(luò)深度增大而增大，可是它們所能“指示”的樣本標(biāo)記（label）仍然是不變的，這便符合了covariate shift的定義。由于是對層間信號(hào)的分析，也即是“internal”的來由。

1.3 ICS 會(huì)導(dǎo)致什么問題？

簡而言之，每個(gè)神經(jīng)元的輸入數(shù)據(jù)不再是“獨(dú)立同分布”。

其一，上層參數(shù)需要不斷適應(yīng)新的輸入數(shù)據(jù)分布，降低學(xué)習(xí)速度。
其二，下層輸入的變化可能趨向于變大或者變小，導(dǎo)致上層落入飽和區(qū)，使得學(xué)習(xí)過早停止。
其三，每層的更新都會(huì)影響到其它層，因此每層的參數(shù)更新策略需要盡可能的謹(jǐn)慎。

2. Normalization 的通用框架與基本思想

我們以神經(jīng)網(wǎng)絡(luò)中的一個(gè)普通神經(jīng)元為例。神經(jīng)元接收一組輸入向量

$${x}=(x_1, x_2, /cdots, x_d)$$

通過某種運(yùn)算后，輸出一個(gè)標(biāo)量值：

$$y=f({x})$$

由于 ICS 問題的存在，x的分布可能相差很大。要解決獨(dú)立同分布的問題，“理論正確”的方法就是對每一層的數(shù)據(jù)都進(jìn)行白化操作。然而標(biāo)準(zhǔn)的白化操作代價(jià)高昂，特別是我們還希望白化操作是可微的，保證白化操作可以通過反向傳播來更新梯度。

因此，以 BN 為代表的 Normalization 方法退而求其次，進(jìn)行了簡化的白化操作。基本思想是：在將x送給神經(jīng)元之前，先對其做平移和伸縮變換， 將x的分布規(guī)范化成在固定區(qū)間范圍的標(biāo)準(zhǔn)分布。

通用變換框架就如下所示：

我們來看看這個(gè)公式中的各個(gè)參數(shù)。

奇不奇怪？奇不奇怪？

說好的處理 ICS，第一步都已經(jīng)得到了標(biāo)準(zhǔn)分布，第二步怎么又給變走了？

答案是——為了保證模型的表達(dá)能力不因?yàn)橐?guī)范化而下降。

我們可以看到，第一步的變換將輸入數(shù)據(jù)限制到了一個(gè)全局統(tǒng)一的確定范圍（均值為 0、方差為 1）。下層神經(jīng)元可能很努力地在學(xué)習(xí)，但不論其如何變化，其輸出的結(jié)果在交給上層神經(jīng)元進(jìn)行處理之前，將被粗暴地重新調(diào)整到這一固定范圍。

沮不沮喪？沮不沮喪？

難道我們底層神經(jīng)元人民就在做無用功嗎？

所以，為了尊重底層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果，我們將規(guī)范化后的數(shù)據(jù)進(jìn)行再平移和再縮放，使得每個(gè)神經(jīng)元對應(yīng)的輸入范圍是針對該神經(jīng)元量身定制的一個(gè)確定范圍（均值為b、方差為g2）。rescale 和 reshift 的參數(shù)都是可學(xué)習(xí)的，這就使得 Normalization 層可以學(xué)習(xí)如何去尊重底層的學(xué)習(xí)結(jié)果。

除了充分利用底層學(xué)習(xí)的能力，另一方面的重要意義在于保證獲得非線性的表達(dá)能力。Sigmoid 等激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中有著重要作用，通過區(qū)分飽和區(qū)和非飽和區(qū)，使得神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)變換具有了非線性計(jì)算能力。而第一步的規(guī)范化會(huì)將幾乎所有數(shù)據(jù)映射到激活函數(shù)的非飽和區(qū)（線性區(qū)），僅利用到了線性變化能力，從而降低了神經(jīng)網(wǎng)絡(luò)的表達(dá)能力。而進(jìn)行再變換，則可以將數(shù)據(jù)從線性區(qū)變換到非線性區(qū)，恢復(fù)模型的表達(dá)能力。

那么問題又來了——

經(jīng)過這么的變回來再變過去，會(huì)不會(huì)跟沒變一樣？

那么還有一個(gè)問題——

這樣的 Normalization 離標(biāo)準(zhǔn)的白化還有多遠(yuǎn)？

標(biāo)準(zhǔn)白化操作的目的是“獨(dú)立同分布”。獨(dú)立就不說了，暫不考慮。變換為均值為b、方差為g2(g的平方）的分布，也并不是嚴(yán)格的同分布，只是映射到了一個(gè)確定的區(qū)間范圍而已。（所以，這個(gè)坑還有得研究呢！）

3. 主流 Normalization 方法梳理

在上一節(jié)中，我們提煉了 Normalization 的通用公式：

對照于這一公式，我們來梳理主流的四種規(guī)范化方法。

3.1 Batch Normalization —— 縱向規(guī)范化

Batch Normalization 于2015年由 Google 提出，開 Normalization 之先河。其規(guī)范化針對單個(gè)神經(jīng)元進(jìn)行，利用網(wǎng)絡(luò)訓(xùn)練時(shí)一個(gè) mini-batch 的數(shù)據(jù)來計(jì)算該神經(jīng)元Xi的均值和方差,因而稱為 Batch Normalization。

其中M是 mini-batch 的大小。

按上圖所示，相對于一層神經(jīng)元的水平排列，BN 可以看做一種縱向的規(guī)范化。由于 BN 是針對單個(gè)維度定義的，因此標(biāo)準(zhǔn)公式中的計(jì)算均為 element-wise 的。

BN 獨(dú)立地規(guī)范化每一個(gè)輸入維度Xi，但規(guī)范化的參數(shù)是一個(gè) mini-batch 的一階統(tǒng)計(jì)量和二階統(tǒng)計(jì)量。這就要求 每一個(gè) mini-batch 的統(tǒng)計(jì)量是整體統(tǒng)計(jì)量的近似估計(jì)，或者說每一個(gè) mini-batch 彼此之間，以及和整體數(shù)據(jù)，都應(yīng)該是近似同分布的。分布差距較小的 mini-batch 可以看做是為規(guī)范化操作和模型訓(xùn)練引入了噪聲，可以增加模型的魯棒性；但如果每個(gè) mini-batch的原始分布差別很大，那么不同 mini-batch 的數(shù)據(jù)將會(huì)進(jìn)行不一樣的數(shù)據(jù)變換，這就增加了模型訓(xùn)練的難度。

因此，BN 比較適用的場景是：每個(gè) mini-batch 比較大，數(shù)據(jù)分布比較接近。在進(jìn)行訓(xùn)練之前，要做好充分的 shuffle. 否則效果會(huì)差很多。

另外，由于 BN 需要在運(yùn)行過程中統(tǒng)計(jì)每個(gè) mini-batch 的一階統(tǒng)計(jì)量和二階統(tǒng)計(jì)量，因此不適用于 動(dòng)態(tài)的網(wǎng)絡(luò)結(jié)構(gòu) 和 RNN 網(wǎng)絡(luò)。不過，也有研究者專門提出了適用于 RNN 的 BN 使用方法，這里先不展開了。

3.2 Layer Normalization —— 橫向規(guī)范化

層規(guī)范化就是針對 BN 的上述不足而提出的。與 BN 不同，LN 是一種橫向的規(guī)范化，如圖所示。它綜合考慮一層所有維度的輸入，計(jì)算該層的平均輸入值和輸入方差，然后用同一個(gè)規(guī)范化操作來轉(zhuǎn)換各個(gè)維度的輸入。

LN 針對單個(gè)訓(xùn)練樣本進(jìn)行，不依賴于其他數(shù)據(jù)，因此可以避免 BN 中受 mini-batch 數(shù)據(jù)分布影響的問題，可以用于 小mini-batch場景、動(dòng)態(tài)網(wǎng)絡(luò)場景和 RNN，特別是自然語言處理領(lǐng)域。此外，LN 不需要保存 mini-batch 的均值和方差，節(jié)省了額外的存儲(chǔ)空間。

但是，BN 的轉(zhuǎn)換是針對單個(gè)神經(jīng)元可訓(xùn)練的——不同神經(jīng)元的輸入經(jīng)過再平移和再縮放后分布在不同的區(qū)間，而 LN 對于一整層的神經(jīng)元訓(xùn)練得到同一個(gè)轉(zhuǎn)換——所有的輸入都在同一個(gè)區(qū)間范圍內(nèi)。如果不同輸入特征不屬于相似的類別（比如顏色和大小），那么 LN 的處理可能會(huì)降低模型的表達(dá)能力。

3.3 Weight Normalization —— 參數(shù)規(guī)范化

BN 和 LN 均將規(guī)范化應(yīng)用于輸入的特征數(shù)據(jù)x，而 WN 則另辟蹊徑，將規(guī)范化應(yīng)用于線性變換函數(shù)的權(quán)重 w，這就是 WN 名稱的來源。

乍一看，這一方法似乎脫離了我們前文所講的通用框架？

并沒有。其實(shí)從最終實(shí)現(xiàn)的效果來看，異曲同工。我們來推導(dǎo)一下看。

對照一下前述框架：

我們只需令：

就完美地對號(hào)入座了！

回憶一下，BN 和 LN 是用輸入的特征數(shù)據(jù)的方差對輸入數(shù)據(jù)進(jìn)行 scale，而 WN 則是用 神經(jīng)元的權(quán)重的歐氏范式對輸入數(shù)據(jù)進(jìn)行 scale。雖然在原始方法中分別進(jìn)行的是特征數(shù)據(jù)規(guī)范化和參數(shù)的規(guī)范化，但本質(zhì)上都實(shí)現(xiàn)了對數(shù)據(jù)的規(guī)范化，只是用于 scale 的參數(shù)來源不同。

另外，我們看到這里的規(guī)范化只是對數(shù)據(jù)進(jìn)行了 scale，而沒有進(jìn)行 shift，因?yàn)槲覀兒唵蔚亓?u=0. 但事實(shí)上，這里留下了與 BN 或者 LN 相結(jié)合的余地——那就是利用 BN 或者 LN 的方法來計(jì)算輸入數(shù)據(jù)的均值 u 。

WN 的規(guī)范化不直接使用輸入數(shù)據(jù)的統(tǒng)計(jì)量，因此避免了 BN 過于依賴 mini-batch 的不足，以及 LN 每層唯一轉(zhuǎn)換器的限制，同時(shí)也可以用于動(dòng)態(tài)網(wǎng)絡(luò)結(jié)構(gòu)。

3.4 Cosine Normalization —— 余弦規(guī)范化

Normalization 還能怎么做？

我們再來看看神經(jīng)元的經(jīng)典變換
$$f_{w}({x})={w}/cdot{x}$$

對輸入數(shù)據(jù)x的變換已經(jīng)做過了，橫著來是 LN，縱著來是 BN。

對模型參數(shù)w的變換也已經(jīng)做過了，就是 WN。

好像沒啥可做的了。

然而天才的研究員們盯上了中間的那個(gè)點(diǎn)，對，就是 . 。

他們說，我們要對數(shù)據(jù)進(jìn)行規(guī)范化的原因，是數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡(luò)的計(jì)算之后可能會(huì)變得很大，導(dǎo)致數(shù)據(jù)分布的方差爆炸，而這一問題的根源就是我們的計(jì)算方式——點(diǎn)積，權(quán)重向量w和 特征數(shù)據(jù)向量x的點(diǎn)積。向量點(diǎn)積是無界（unbounded）的啊！

那怎么辦呢？我們知道向量點(diǎn)積是衡量兩個(gè)向量相似度的方法之一。哪還有沒有其他的相似度衡量方法呢？有啊，很多啊！夾角余弦就是其中之一啊！而且關(guān)鍵的是，夾角余弦是有確定界的啊，[-1, 1] 的取值范圍，多么的美好！仿佛看到了新的世界！

于是，Cosine Normalization 就出世了。他們不處理權(quán)重向量w，也不處理特征數(shù)據(jù)向量x ，就改了一下線性變換的函數(shù)：

然后就沒有然后了，所有的數(shù)據(jù)就都是 [-1, 1] 區(qū)間范圍之內(nèi)的了！

不過，回過頭來看，CN 與 WN 還是很相似的。我們看到上式中，分子還是 w和x的內(nèi)積，而分母則可以看做用w和 x二者的模之積進(jìn)行規(guī)范化。對比一下 WN 的公式：

CN 通過用余弦計(jì)算代替內(nèi)積計(jì)算實(shí)現(xiàn)了規(guī)范化，但成也蕭何敗蕭何。原始的內(nèi)積計(jì)算，其幾何意義是 輸入向量在權(quán)重向量上的投影，既包含 二者的夾角信息，也包含 兩個(gè)向量的scale信息。去掉scale信息，可能導(dǎo)致表達(dá)能力的下降，因此也引起了一些爭議和討論。具體效果如何，可能需要在特定的場景下深入實(shí)驗(yàn)。

現(xiàn)在，BN, LN, WN 和 CN 之間的來龍去脈是不是清楚多了？

4. Normalization 為什么會(huì)有效？

我們以下面這個(gè)簡化的神經(jīng)網(wǎng)絡(luò)為例來分析。

4.1 Normalization 的權(quán)重伸縮不變性

上述規(guī)范化方法均有這一性質(zhì)，這是因?yàn)椋?dāng)權(quán)重w伸縮時(shí)，對應(yīng)的均值和標(biāo)準(zhǔn)差均等比例伸縮，分子分母相抵。

權(quán)重伸縮不變性可以有效地提高反向傳播的效率。

由于

因此，權(quán)重的伸縮變化不會(huì)影響反向梯度的 Jacobian 矩陣，因此也就對反向傳播沒有影響，避免了反向傳播時(shí)因?yàn)闄?quán)重過大或過小導(dǎo)致的梯度消失或梯度爆炸問題，從而加速了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

權(quán)重伸縮不變性還具有參數(shù)正則化的效果，可以使用更高的學(xué)習(xí)率。

由于

因此，下層的權(quán)重值越大，其梯度就越小。這樣，參數(shù)的變化就越穩(wěn)定，相當(dāng)于實(shí)現(xiàn)了參數(shù)正則化的效果，避免參數(shù)的大幅震蕩，提高網(wǎng)絡(luò)的泛化性能。

4.2 Normalization 的數(shù)據(jù)伸縮不變性

數(shù)據(jù)伸縮不變性僅對 BN、LN 和 CN 成立。因?yàn)檫@三者對輸入數(shù)據(jù)進(jìn)行規(guī)范化，因此當(dāng)數(shù)據(jù)進(jìn)行常量伸縮時(shí)，其均值和方差都會(huì)相應(yīng)變化，分子分母互相抵消。而 WN 不具有這一性質(zhì)。

數(shù)據(jù)伸縮不變性可以有效地減少梯度彌散，簡化對學(xué)習(xí)率的選擇。

每一層神經(jīng)元的輸出依賴于底下各層的計(jì)算結(jié)果。如果沒有正則化，當(dāng)下層輸入發(fā)生伸縮變化時(shí)，經(jīng)過層層傳遞，可能會(huì)導(dǎo)致數(shù)據(jù)發(fā)生劇烈的膨脹或者彌散，從而也導(dǎo)致了反向計(jì)算時(shí)的梯度爆炸或梯度彌散。

數(shù)據(jù)的伸縮變化也不會(huì)影響到對該層的權(quán)重參數(shù)更新，使得訓(xùn)練過程更加魯棒，簡化了對學(xué)習(xí)率的選擇。

參考文獻(xiàn)

[1] Sergey Ioffe and Christian Szegedy. Accelerating Deep Network Training by Reducing Internal Covariate Shift.
[2] Jimmy L. Ba, Jamie R. Kiros, Geoffrey E. Hinton. [1607.06450] Layer Normalization.
[3] Tim Salimans, Diederik P. Kingma. A Simple Reparameterization to Accelerate Training of Deep Neural Networks.
[4] Chunjie Luo, Jianfeng Zhan, Lei Wang, Qiang Yang. Using Cosine Similarity Instead of Dot Product in Neural Networks.
[5] Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning.

本文在寫作過程中，參考了以下各位的回答，特此致謝。

@魏秀參的回答： 深度學(xué)習(xí)中 Batch Normalization為什么效果好？

@孔濤的回答： 深度學(xué)習(xí)中 Batch Normalization為什么效果好？

@王峰的回答： 深度學(xué)習(xí)中 Batch Normalization為什么效果好？

@lqfarmer的回答： Weight Normalization 相比batch Normalization 有什么優(yōu)點(diǎn)呢？

@Naiyan Wang的回答： Batch normalization和Instance normalization的對比？

@YJango的文章： YJango的Batch Normalization--介紹

-End-

推薦閱讀

2020年醫(yī)學(xué)圖像處理領(lǐng)域值得關(guān)注的期刊和會(huì)議

清華劉知遠(yuǎn)教授：好的研究想法從哪里來？

歡迎關(guān)注我的極術(shù)專欄：AI搬運(yùn)小能手，給您分享最前沿靠譜的高質(zhì)量AI技術(shù)干貨。

審核編輯 黃昊宇