本文作者原創(chuàng)，轉(zhuǎn)載請(qǐng)注明出處。

今天我們來講解一下為什么要正則化輸入（也叫標(biāo)準(zhǔn)化輸入）呢？

正則化輸入其實(shí)就是論文中說的局部相應(yīng)歸一化，它最早由Krizhevsky和Hinton在關(guān)于ImageNet的論文里面使用的一種數(shù)據(jù)標(biāo)準(zhǔn)化方法。

在實(shí)際應(yīng)用中，我們可能會(huì)遇到各維度數(shù)據(jù)或者各特征在空間中的分布差別很大。就如同下圖

這給訓(xùn)練增加了難度，我們可以看一下如果是這樣的數(shù)據(jù)我們會(huì)得到一個(gè)什么樣的梯度下降圖。

很明顯，這是一個(gè)狹長的立體圖形，在進(jìn)行反向傳播的過程中，如果在兩端開始梯度下降的話，整個(gè)過程就變得很漫長。所以為了解決這種情況，我們使用了正則化輸入去解決。下面就是正則化輸入的計(jì)算公式：

按照這個(gè)公式來計(jì)算的話，我們的梯度下降就變成這樣了。

這樣的話我們無論是從哪一個(gè)點(diǎn)開始梯度下降，得到的效果是一樣的。

那我們?cè)賮砜匆幌略?a href="http://www.delux-kingway.cn/tags/tensorflow/" target="_blank">Tensorflow中是怎么實(shí)現(xiàn)的。Tensorflow中的API是tf.nn.lrn，別名也叫tf.nn.local_response_normalization，這兩個(gè)是一個(gè)東西。再來看一下函數(shù)是怎么定義的：

local_response_normalization(  input,  depth_radius=5,  bias=1,  alpha=1,  beta=0.5,  name=None)

里面那么多參數(shù)，那分別又是代表什么呢？首先，input是我們要輸入的張量，depth_radius就是上面公式中的n/2，其實(shí)這個(gè)變量名為什么叫depth_radius呢？radius不是半徑嗎？與半徑又有什么關(guān)系呢，我等下再來講解為什么。接著，bias是偏移量，alpha就是公式中的α，beat就是公式中的β。

其實(shí)啊，LRN也可以看作是“每個(gè)像素”在零值化后除以“半徑以內(nèi)的其他對(duì)應(yīng)像素的平方和”，這個(gè)半徑就是給定的變量depth_radius的值。

那我們用代碼來看一下效果怎么樣：

import numpy as npimport tensorflow as tfa = 2 * np.ones([2, 2, 2, 3])print(a)b = tf.nn.local_response_normalization(a, 1, 0, 1, 1)with tf.Session() as sess:    print(sess.run(b))

輸出的結(jié)果a是：

輸出的結(jié)果b是：