Normaliser et standardiser les entrées
Mettez les caractéristiques à l’échelle pour favoriser la convergence.
Normaliser et standardiser les entrées est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Raw Numbers Slow Learning
Features on wildly different scales, like age and salary, confuse a network. Rescaling them first is why normalization makes training converge faster. ⚖️
Two Common Recipes
You will meet two main scalers: standardization shifts data to mean zero and unit variance, while min-max squeezes it into a fixed range like 0 to 1.
Standardize with Mean and Std
Standardization subtracts the mean and divides by the standard deviation. The result is centered on zero with a spread of one, the deep learning default.
x = (x - x.mean()) / x.std()Min-Max Scaling
Min-max scaling maps your smallest value to 0 and largest to 1. It is handy when a bounded input range matters, like pixel intensities.
x = (x - x.min()) / (x.max() - x.min())Fit on Train Only
Compute the mean and std from the training set only. Reusing test data to set these stats leaks information and inflates your scores.
Reuse the Same Stats
Apply the exact training statistics to validation and test data. Both splits must be transformed the same way or your model sees mismatched inputs.
x_val = (x_val - train_mean) / train_stdPer-Channel for Images
For images you normalize each color channel with its own mean and std. PyTorch ships transforms.Normalize to do exactly this in a pipeline.
transforms.Normalize(mean=[0.5], std=[0.5])Borrow Known ImageNet Stats
When using pretrained vision models, normalize with the ImageNet means and stds they were trained on. Matching those numbers keeps inputs in the expected range.
Do It Inside __getitem__
The cleanest spot to scale is your dataset's __getitem__ or a transform. Then every sample arrives normalized without extra code in your training loop.
Watch for Divide by Zero
If a feature is constant its std is zero and dividing explodes. Add a tiny epsilon to the denominator to keep the math safe and stable.
x = (x - mean) / (std + 1e-8)Small Step, Big Payoff
Normalizing inputs is a quick preprocessing habit, yet it often unlocks faster, more stable training. Skip it and even a good model may crawl.
Quick Check
From which split should you compute normalization statistics?
Recap
Normalization rescales features so training converges, using stats fit on the training set and reused everywhere, often inside a transform. 🎉
Questions Fréquemment Posées
La leçon « Normaliser et standardiser les entrées » est-elle gratuite ?
Oui — le texte complet de « Normaliser et standardiser les entrées » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Normaliser et standardiser les entrées » ?
Mettez les caractéristiques à l’échelle pour favoriser la convergence. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.
Combien de temps prend la leçon « Normaliser et standardiser les entrées » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Écrire une classe de jeu de données personnalisée
- Regroupement, mélange et num_workers
- collate_fn pour les entrées de longueur variable
- Normaliser et standardiser les entrées