深度学习

本文对比分析了深度学习中四种常用的归一化方法：批归一化(BN)、层归一化(LN)、实例归一化(IN)和组归一化(GN)。BN通过跨样本同通道归一化加速训练，但对批次大小敏感；LN在单个样本内对所有通道

ResNet通过残差学习解决了深度神经网络退化问题。其核心是残差块结构，包含主路径（学习残差F(x)）和捷径连接（直接传递输入x），最终输出为H(x)=F(x)+x。

本文详细解析了卷积神经网络(CNN)的核心运算过程。首先介绍了CNN的关键符号表示，包括层级索引、过滤器尺寸、填充和步幅等超参数。

批归一化（Batch Normalization, BN）通过标准化神经网络中间层输入，有效缓解内部协变量偏移问题，加速模型收敛并提升训练稳定性。

深度学习中，Batch梯度下降使用整个训练集计算梯度，更新稳定但计算成本高；Mini-Batch梯度下降则使用小批量数据，在内存效率和计算速度上更优，是当前主流方法。

输入归一化是机器学习数据预处理的关键步骤，通过对特征值进行标准化调整（通常采用均值-标准差方法），使不同量纲的特征具有可比性。其核心价值在于优化梯度下降效率，确保特征贡献均衡。实施时需严格遵循使用训练