L2-Normalization

释义 Definition

L2-归一化：一种把向量按其 L2范数（欧几里得长度） 缩放到指定长度（通常为 1）的处理方法。常用于机器学习/深度学习中特征缩放，使不同样本的向量长度一致，便于比较方向（如余弦相似度）。
（也常写作 L2 normalization、ℓ2-normalization。）

例句 Examples

We apply L2-normalization to each embedding before comparing them.
我们在比较之前对每个嵌入向量进行 L2-归一化。

In face recognition, L2-normalization can stabilize training by constraining feature vectors to lie on a hypersphere, making cosine-based decision boundaries more consistent.
在人脸识别中，L2-归一化通过把特征向量约束在超球面上来稳定训练，从而让基于余弦相似度的决策边界更一致。

发音 Pronunciation (IPA)

/ˌɛl ˈtuː ˌnɔːrmələˈzeɪʃən/

词源 Etymology

L2 来自数学中对向量长度的记法，指 L2范数（也称欧几里得范数）；normalization 源自 “normal”（标准的、规范的），表示把数据调整到某种“标准尺度”。合起来就是“按 L2 范数进行标准化/归一化”。

相关词 Related Words

• Normalization
• Euclidean Norm
• L2 Norm
• L1 Normalization
• Feature Scaling
• Cosine Similarity
• Regularization
• Unit Vector

文献与作品 Notable Works

• Deep Learning（Ian Goodfellow, Yoshua Bengio, Aaron Courville）——在向量范数、特征表示与训练技巧相关章节中涉及 L2 范数与归一化思想。
• Pattern Recognition and Machine Learning（Christopher M. Bishop）——在特征处理、距离度量与模型训练语境中讨论归一化/范数。
• “FaceNet: A Unified Embedding for Face Recognition and Clustering”（Schroff et al., 2015）——人脸嵌入与度量学习中常见对特征做 L2-归一化的实践。
• “ArcFace: Additive Angular Margin Loss for Deep Face Recognition”（Deng et al., 2019）——强调在单位超球面上的特征/权重归一化设定，常与 L2-归一化配套出现。