1. 权重归一化（Weight Normalization）

• 目的：通过分离权重向量的范数和方向来加速训练。
• 公式：对于权重向量 $\mathbf{w}$，归一化后的权重 ${\mathbf{w}}^{\prime }$ 为：

$${\mathbf{w}}^{\prime }=\frac{\mathbf{w}}{\Vert \mathbf{w}\Vert }$$

其中 $\Vert \mathbf{w}\Vert$ 是 $\mathbf{w}$ 的欧几里得范数。

2. 谱归一化（Spectral Normalization）

• 目的：通过控制权重矩阵的谱范数，稳定生成对抗网络（GANs）的训练。
• 公式：对于权重矩阵 $W$，谱归一化后的矩阵 $W^{\prime }$ 为：

$$W^{\prime }=\frac{W}{\sigma (W)}$$

其中 $\sigma (W)$ 是 $W$ 的谱范数，即最大奇异值。

3. 权重衰减（Weight Decay）

• 目的：通过正则化防止过拟合。
• 公式：权重更新时加入正则化项：

$$\mathbf{w}\leftarrow \mathbf{w}-\eta \left(\frac{\partial L}{\partial \mathbf{w}}+\lambda \mathbf{w}\right)$$

其中 $\eta$ 是学习率，$L$ 是损失函数，$\lambda$ 是正则化参数。

4. 权重剪裁（Weight Clipping）

• 目的：限制权重范围以稳定训练。
• 公式：对于权重 $w$，剪裁后的权重 $w^{\prime }$ 为：

$$w^{\prime }=\{\begin{array}{ll}c& \text{if }w>c\\ -c& \text{if }w<-c\\ w& \text{otherwise}\end{array}$$

其中 $c$ 是预定义阈值。

5. 权重共享（Weight Sharing）

• 目的：减少参数数量，提高泛化能力，常用于卷积神经网络（CNNs）。
• 公式：在CNN中，同一卷积核的权重在输入上共享，具体实现依赖卷积操作。

6. 权重初始化（Weight Initialization）

• 目的：合理初始化权重以加速训练并避免梯度问题。
• 公式：
  • Xavier初始化：

$$W\sim \mathcal{N}\left(0,\frac{2}{n_{\text{in}}+n_{\text{out}}}\right)$$

• He初始化：

$$W\sim \mathcal{N}\left(0,\frac{2}{n_{\text{in}}}\right)$$

其中 $n_{\text{in}}$ 和 $n_{\text{out}}$ 分别是输入和输出单元数。

7. 批归一化（Batch Normalization）

• 目的：归一化层的输入以加速训练并提高稳定性。
• 公式：对于小批量 B = { x 1 , … , x m } \mathcal{B} = \{x_1, \ldots, x_m\} B={x1​,…,xm​}，输出为：

$${\hat{x}}_i=\frac{x_i-{\mu }_{\mathcal{B}}}{\sqrt{{\sigma }_{\mathcal{B}}^2+ϵ}}$$

其中 ${\mu }_{\mathcal{B}}$ 和 ${\sigma }_{\mathcal{B}}^2$ 是小批量的均值和方差，$ϵ$ 避免除零。

8. 层归一化（Layer Normalization）

• 目的：对每个样本的特征归一化，适用于RNNs等。
• 公式：对于特征向量 $\mathbf{x}$，输出为：

$$\hat{\mathbf{x}}=\frac{\mathbf{x}-\mu }{\sqrt{{\sigma }^2+ϵ}}$$

其中 $\mu$ 和 ${\sigma }^2$ 是 $\mathbf{x}$ 的均值和方差。

9. 权重量化（Weight Quantization）

• 目的：将权重转为低精度表示以减少模型大小和加速推理。
• 公式：简单量化方法为：

$$w_q=\text{round}\left(\frac{w-w_{\text{min}}}{w_{\text{max}}-w_{\text{min}}}\times (2^b-1)\right)\times \frac{w_{\text{max}}-w_{\text{min}}}{2^b-1}+w_{\text{min}}$$

其中 $b$ 是位数，$w_{\text{min}}$ 和 $w_{\text{max}}$ 是权重范围。

10. 稀疏化（Sparsification）

• 目的：将部分权重设为零以减少参数量。
• 公式：使用阈值 $\tau$：

$$w^{\prime }=\{\begin{array}{ll}w& \text{if }|w|\ge \tau \\ 0& \text{otherwise}\end{array}$$

这些方法在深度学习中应用广泛，选择时需考虑模型架构、数据特性和资源限制。