1 原理
简单总结： batchnorn 和layernorm是在不同维度上对特征进行归一化处理。
batchnorm在batch这一维度上， 对一个batch内部所有样本， 在同一个特征通道上进行归一化。 举个例子， 假设输入的特征图尺寸为16x224x224x256， 这4个维度分别是B, H, W，D， 那么batchnorm就是对256个通道的每一个通道， 在16个样本上进行归一化计算。
layernorm则是对batch内的每一个样本，在所有通道的特征进行归一化计算。
如下图形象地说明了2种归一化的方式的区别：
2 应用
batchnorm通常用在cv中， layernorm通常应用在nlp中。原因如下：
-
cv 中的batch通常较大， 在batch这个维度求均值方差是有意义的， 而nlp中batch通常较小， 求均值方差失去意义。
-
图像特征通常每个通道是较为独立的， 比如一个通道关注颜色， 另一个通道可能关注纹理等等，不同通道之间可比性较低， 而对同一个通道， 不同图像样本区别可能不大， 有可比性。 而自然语言任务中刚好相反， 不同样本没什么可比性， 而一个样本的不同特征可比性比较强。
