很多論文中都提及對人臉特征進(jìn)行L2 normalization。
DeepFace：
deepface中說對特征進(jìn)行歸一化是為了減少光照的影響。
FaceNet、SphereFace、CosFace、InsightFace：
L2歸一化將特征映射到超球面（hypersphere）
分析
L2范數(shù)是向量的一種長度度量，我們先看看在3維空間中，相同L2范數(shù)的向量的分布，也可以說是相同長度的向量的分布：
圖中p=2為L2范數(shù)分布
是一個球面。
而二維分布是一個圓環(huán)。由此可以推出在n維歐式空間的分布是一個超球面。
我們對人臉特征進(jìn)行歸一化，也就是向量除以其L2范數(shù)。得到的特征其L2范數(shù)為單位L2范數(shù)（單位長度），因此特征分布于單位超球面上。
以SphereFace舉例：
SphereFace人臉特征分布
L2歸一化后特征分布
歸一化以后有一個更好的幾何解釋，特別是在高維空間中。
