实例归一化和批归一化的差别

归一化和批归一化都是常用的数据预处理方法，它们的主要区别在于应用的对象不同。\n\归一化是将数据缩放到一个固定的范围内，通常是[,1]或[-1,1]。它是对单个样本进行操作，即对每个样本的每个特征进行缩放，使得每个特征的取值范围都相同。\n\批归一化是在神经网络的训练过程中对每一层的输入进行归一化处理，使得每一层的输入分布相对稳定。它是对一个batch的样本进行操作，即对每个batch的每个样本的每个特征进行缩放，使得每个特征的均值为，方差为1。\n\因此，批归一化可以加速神经网络的训练，提高模型的泛化能力，而归一化则更适用于对单个样本进行预处理。\n\```pyth\# 批归一化示例代码\impor torch\impor torch. as \n\ss N(.Modu):\ def __ini__(self):\ super(N, self).__ini__()\ self.f1 = .Linear(10,20)\ self.b1 = .BatchNorm1(20)\ self.f2 = .Linear(20, 1)\n\ def forwar(self, x):\ x = self.f1(x)\ x = self.b1(x)\ x = torch.relu(x)\ x = self.f2(x)\ retur x\n\# 归一化示例代码\from sklear.preprocessing impor MiMaxScaler\n\ = [[-1, 2], [-.5, 6], [, 10], [1, 18]]\sr = MiMaxScaler()\pri(sr.fi_transform())\```\n\