在深度学习中，规范化(Normalization)可以说是必不可少的一个环节。神经网络在更新参数后，各层输入的分布会发生变化，从而给训练带来困难，这种现象被称为内部协变转移。这便会不断累积从而产生梯度消失和梯度爆炸的问题，从而导致网络收敛速度，和参数更新速度降低。
深度学习中的 Normalization 根据规范化操作涉及的对象不同，可以大致分为两大类，一类是对 l 层的激活后的输出值进行标准化，Batch Norm、Layer Norm、Instance Norm、Group Norm 就属于这一类；另一类是对神经元连接边的权重进行规范化操作，Weight Norm 就属于这一类。
目前常见的 Normalization 有 Batch Norm（BN）、Layer Norm（LN）、Instance Norm（IN）和 Group Norm（GN）。
Batch Normalization（BN）
batch方向做归一化，算NHW的均值，对小batchsize效果不好；BN主要缺点是对batchsize的大小比较敏感，由于每次计算均值和方差是在一个batch上，所以如果batchsize太小，则计算的均值、方差不足以代表整个数据分布。Layer Normalization（LN）
channel方向做归一化，算CHW的均值，主要对RNN作用明显。
Instance Normalization（IN）
一个channel内做归一化，算H*W的均值，用在风格化迁移；因为在图像风格化中，生成结果主要依赖于某个图像实例，所以对整个batch归一化不适合图像风格化中，因而对HW做归一化。可以加速模型收敛，并且保持每个图像实例之间的独立。
Group Normalization（GN）
将channel方向分group，然后每个group内做归一化，算(C//G)HW的均值；这样与batchsize无关，不受其约束。
参考文档
https://blog.csdn.net/qq_33431368/article/details/107328558
https://zhuanlan.zhihu.com/p/115949091
本文为 陈华 原创，欢迎转载，但请注明出处：http://ichenhua.cn/read/239
