概述
组标准化是一种通过对每个示例独立地标准化小组通道内的特征来稳定神经网络训练的技术。这很重要，因为与批量归一化不同，即使批量很小，它也能很好地工作。
群组标准化位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。
深入探讨
归一化层使流经网络的数字保持良好的规模，从而加速和稳定训练。批量归一化通过计算整个小批量中每个特征的均值和方差来实现此目的，但是当批量较小时，这会使其变得脆弱，因为统计数据会变得嘈杂且不可靠。 Wu 和 He 在 2018 年引入的组标准化将批次从方程中完全删除。对于每个单独的示例，它将通道分为固定数量的组，然后仅使用该示例自己的值对每个组进行标准化。由于计算从不依赖于批次中的其他示例，因此无论批次包含 32 张图像还是仅一张图像，性能都保持稳定，这使其在检测、分割和内存密集型视觉任务中很受欢迎。
技术洞察
组范数计算每个样本的空间维度和每组内通道的平均值和方差。然后，它归一化为零均值和单位方差，并应用学习的每通道尺度 (gamma) 和偏移 (beta)。它概括了其他方案：对于一个组，它成为层规范化，对于每组一个通道，它成为实例规范化。组数是一个超参数，通常设置为 32。
掌握群体标准化
组标准化是一种通过对每个示例独立地标准化小组通道内的特征来稳定神经网络训练的技术。这很重要，因为与批量归一化不同，即使批量很小，它也能很好地工作。群组标准化位于核心人工智能工具包中。当你理解它时，其他人工智能主题就变得更容易评估和比较。为了建立深入的理解，请将组标准化视为一种操作模型，而不是单个功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用组标准化的强大团队首先构建强大的概念模型，然后将这些模型映射到实际的生产约束。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它可以帮助您将清晰的技术声明与营销语言分开。同时，不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它可以帮助您将清晰的技术声明与营销语言分开。
它可以帮助您将清晰的技术声明与营销语言分开。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
在花费金钱或时间之前，您可以提出更好的实施问题。
在花费金钱或时间之前，您可以提出更好的实施问题。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
具有共同理解的团队可以做出更好的产品、政策和学习决策。
具有共同理解的团队可以做出更好的产品、政策和学习决策。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
对象检测和实例分割（例如，Mask R-CNN 样式模型）使用非常小的每 GPU 批次进行训练。
U-Net 主干位于扩散图像生成器内，其中组范数稳定了特征尺度。
3D 和视频网络中的高内存使用迫使批量大小降至一到两个。
在有限的硬件上微调大型视觉模型，其中小批量使得 Batch Norm 统计数据不可靠。
实施模式
实践中的群体标准化
对象检测和实例分割（例如，Mask R-CNN 样式模型）使用非常小的每 GPU 批次进行训练。
使用非常小的每 GPU 批次进行训练的对象检测和实例分割（例如，Mask R-CNN 样式模型） 团队在预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的群体标准化
U-Net 主干位于扩散图像生成器内，其中组范数稳定了特征尺度。
扩散图像生成器内部的 U-Net 主干网，其中组规范稳定了特征尺度。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的群体标准化
3D 和视频网络中的高内存使用迫使批量大小降至一到两个。
在 3D 和视频网络中，高内存使用迫使批量大小减少到一到两个。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
实践中的群体标准化
在有限的硬件上微调大型视觉模型，其中小批量使得 Batch Norm 统计数据不可靠。
在有限的硬件上微调大型视觉模型，其中小批量使 Batch Norm 统计数据不可靠。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
不同的团队可能会以不同的方式使用同一术语，因此请尽早定义范围。
基准测试可能看起来很强大，但实际性能却参差不齐。
忽视数据质量和评估计划通常会产生脆弱的结果。
实施路线图
从您需要的结果的简单语言定义开始。
从您需要的结果的简单语言定义开始。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在测试之前选择一种成功指标和一种失败条件。
在测试之前选择一种成功指标和一种失败条件。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
使用代表性数据运行小型试点，而不是完善的演示集。
使用代表性数据运行小型试点，而不是完善的演示集。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
记录组归一化在哪些方面有帮助以及在哪些方面更简单的方法更好。
记录组归一化在哪些方面有帮助以及在哪些方面更简单的方法更好。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。