归一化

规范化是一种基本的 归一化是一种基本的数据预处理技术，用于将数据集中的 通常不会扭曲数值范围的差异或丢失信息。 或丢失信息。在 机器学习（ML）和 深度学习 (DL) 的背景下，这一过程对于 确保输入数据采用算法可以高效处理的格式。通过调整数值--通常调整到 通常在 0 和 1 之间，规范化可以防止数值较大的特征在模型的学习过程中占主导地位，从而确保所有特征的贡献一致。 从而确保所有输入数据在模型训练过程中的贡献一致。 模型训练。

为什么规范化在人工智能中很重要

规范化的主要目的是提高优化算法的稳定性和速度。 优化算法的稳定性和速度。许多算法 如 随机梯度下降算法（SGD）、 依赖于计算数据点之间的距离或梯度。如果一个特征的范围从 0 到 100,000（如房价 价格），而另一个特征从 0 到 10（如房间数），优化器将很难有效地导航损失函数。 损失函数。

适当的规范化有几个主要好处：

• 收敛更快：它允许梯度下降算法 梯度下降算法更快地收敛到最优解 更快地达到最优解，从而减少所需的计算资源。
• 数值稳定性：保持较小的数值可避免数值问题，如 梯度爆炸等数值问题。 梯度爆炸，即大量误差梯度累积，导致网络更新不稳定。
• 同等重要：确保模型在初始时将所有特征视为同等重要 以防止偏向幅度较大的变量。这是稳健 特征工程的一个核心方面。

常见的标准化技术

有几种方法可以对数据进行归一化处理，每种方法都适用于不同的分布和算法。

• 最小-最大缩放：这是最常见的归一化形式。它将数据重新调整到一个固定的 范围，通常为 [0，1]。具体方法是减去最小值，再除以范围（最大值减去 最小值）。您可以在 Scikit-Learn MinMaxScaler 文档中查看数学实现。
• Z 分数标准化：常与标准化混淆、 标准化（或 Z 值归一化） 这在数据遵循高斯分布时非常有用。 高斯分布。
• 对数缩放：对于尾部较长或有极端离群值的数据，应用对数变换 可以压缩数值范围，使分布更易于神经网络（NN 神经网络 (NN)。

标准化与批量标准化

重要的是要区分输入数据的规范化和 批量规范化.

• 数据规范化：在 预处理注释数据阶段。 它在原始输入数据（如图像或表格数据）进入模型之前进行。
• 批量归一化：是深度神经网络中使用的一种特定层技术。它 在训练过程中对每个迷你批次的层激活进行归一化。数据归一化为 输入，而批量归一化则能稳定内部学习过程，帮助深度架构，如 YOLO11等深度架构进行更深入、更快速的训练。

实际应用

规范化在人工智能的各个领域无处不在。

1. 计算机视觉（CV）：在诸如 物体检测和 图像分类等任务中，图像由 像素值从 0 到 255 不等。将这些大整数直接输入网络会减慢学习速度。A 标准的预处理步骤是将像素值除以 255.0，使其归一化为 [0, 1] 范围。这 等模型的标准化输入。 YOLO11和 即将推出的YOLO26 等模型的标准化输入。
2. 医学图像分析：医疗扫描，如用于 人工智能在医疗保健领域的应用。 机器，其强度标度各不相同。归一化可确保核磁共振成像或 CT 扫描的像素强度在不同患者之间具有可比性。 可比性，这对准确检测肿瘤至关重要。 肿瘤检测至关重要。

实施实例

虽然高级库，如 ultralytics 在训练管道中自动处理图像归一化 了解底层逻辑很有帮助。下面是一个 Python 举例说明 numpy 来演示如何手动将 将图像像素数据从 0-255 范围归一化为 0-1。

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]}")

这一简单的操作可为神经网络 为神经网络摄取数据做准备，确保各层中的数学运算以最佳方式运行。