归一化

归一化方法

1. 线性归一化，也称min-max标准化、离差标准化;是对原始数据的线性变换，使得结果值映射到[0,1]之间。转换函数如下:
   $$x^{\prime }=\frac{x-\min (x)}{\max (x)-\min (x)}$$
   这种归一化比较适用在数值较集中的情况。这种方法有一个缺陷，就是如果max和min不稳定的时候，很容易使得归一化的结果不稳定，影响后续使用效果。其实在实际应用中，我们一般用经验常来替代max和min。
2. 标准期化，也叫Z-score标准化，这种方法给予原始数据的均值( mean , μ )和标准差( standard deviation, σ )进行数据的标准化。经过处理后的数据符合标准正态分布，即均值为0，标准差为1，转化函数为:
   $$x^{\ast }=\frac{x-\mu }{\sigma }$$
3. 非线性归一化，这种方法一般使用在数据分析比较大的场景，有些数值很大，有些很小，通过一些数学函数，将原始值进行映射。一般使用的函数包括log、指数、正切等，需要根据数据分布的具体情况来决定非线性函数的曲线。

自归一化神经网络

来自：飘逸慕嫣然

SELU激活函数
$$\mathrm{selu}(x)=\{\begin{array}{ll}\lambda x,& x>0\\ \lambda \left(\alpha {\mathrm{e}}^x-\alpha \right),& x⩽0\end{array}$$

SELU激活函数具有以下特点：

1. 有用于控制平均值的负值和正值；
2. 存在饱和区域(导数接近零)，以减小低层出现较大的方差；
3. 部分区域斜率大于1，如果下层方差太小则增加方差；
4. 是连续的曲线，确保存在一个不动点，且在该点处的方差减幅会被方差增长所补偿。
   这些特点使得深层神经网络在训练中都保持着方差稳定, 从而避免了梯度爆炸与梯度消失。