機械学習における正規化のパワーをご覧ください。モデルの学習をどのように強化し、パフォーマンスを向上させ、堅牢なAIソリューションを保証するかを学びます。
正規化は データの前処理の基本的なテクニックである。 データセット内の数値特徴を共通の尺度に変換するために使われる基本的なデータ前処理技術である。 値の範囲の違いを歪めることなく、また情報を失うことなく。機械学習（ML）や 機械学習（ML）や ディープラーニング(DL)の文脈では、このプロセスは、入力データが次のような形式であることを保証するために重要である。 入力データをアルゴリズムが効率的に処理できる形式にするために、このプロセスは非常に重要である。値を調整することで、多くの場合 正規化によって、大きな数値スケールを持つ特徴がモデルの学習プロセスを支配するのを防ぐことができる。 これにより、モデル学習中にすべての入力から一貫した寄与が得られるようになります。 モデル学習中のすべての入力からの一貫した寄与を保証します。
正規化の主な目的は、最適化アルゴリズムの安定性とスピードを向上させることである。 最適化アルゴリズムを容易にすることである。多くのアルゴリズム のような 確率的勾配降下法（SGD）、 は、データ点間の距離や勾配の計算に依存しています。ある特徴が0から100,000の範囲にあり（例：住宅価格 例えば、住宅価格)と別の特徴が0から10(例えば、部屋数)の範囲にある場合、オプティマイザは損失関数を効果的にナビゲートするのに苦労します。 を効果的にナビゲートするのに苦労することになる。
適切な正規化には、いくつかの重要な利点がある：
データを正規化する方法はいくつかあり、それぞれ異なる分布やアルゴリズムに適している。
入力データの正規化と、入力データの正規化を区別することは重要である。 バッチ正規化.
正規化は、人工知能のさまざまな領域でいたるところに見られる。
のような高度なライブラリは ultralytics トレーニングパイプライン内で画像の正規化を自動的に処理する
そのロジックを理解することは有用である。以下はその例である。
Python 使用例 numpy を手動で正規化する方法を説明する。
画像ピクセルデータを0-255の範囲から0-1に手動で正規化する方法を示す。
import numpy as np
# Simulate a 2x2 pixel image with 3 color channels (RGB)
# Values range from 0 to 255
raw_image = np.array([[[10, 255, 128], [0, 50, 200]], [[255, 255, 255], [100, 100, 100]]], dtype=np.float32)
# Apply Min-Max normalization to scale values to [0, 1]
# Since the known min is 0 and max is 255, we simply divide by 255.0
normalized_image = raw_image / 255.0
print(f"Original Max: {raw_image.max()}")
print(f"Normalized Max: {normalized_image.max()}")
print(f"Normalized Data Sample:\n{normalized_image[0][0]}")
この単純な操作で、ニューラルネットワークが取り込む 層内の数学演算が最適に機能するようにする。
