Batch Normalization是一种用于深度学习的技术，旨在加速训练过程，提高模型稳定性。它通过标准化每一层的输出，确保数据在每一层都有相同的分布，均值为0，方差为1。在实际操作中，Batch Norm层插入在隐藏层之间，计算输入的均值和方差，然后进行规范化，同时引入可学习的参数gamma和beta进行尺度调整和偏移，以保留网络学到的特征。此外，它还利用指数移动平均来适应训练过程中的变化，并在推理阶段使用。
Batch Normalization做了什么？
在数据在最初进来的时候，都希望是（IID）独立同分布的。
但是batch Normalization的作者觉得不够，应该在deep learning中的每层都进行一次处理，保证在每层都是同分布。
他是这么想的：假设网络有n层，网络正在训练，还没有收敛。这时候被输入，经过了第一层，但是第一层还没有学到正确的weight，所以经过weight的矩阵乘法后，第二层的数会不会很乱？会不会第二层有些节点值是个位数，有些节点值蹦到好几百？细想一下，确实挺有可能啊，内部的参数都是随机初始化的，那蹦啥结果确实不好说啊。然后恐怖的事情来了，第二层这些乱蹦的数，又输到了第三层，那第三层的输入就是乱蹦的数，输出当然好不了，以此类推。
所以主要产生了两个问题：
1.所以在前面的网络没有收敛的时候，后面的网络其实并学不到什么。(一栋大楼底部都是晃的，那上面也好不了。所以必须要等前面的层收敛后，后面层的训练才有效果。)
2.因为一般来说网络内部每层都需要加一层激活来增加非线性化嘛，那么如果值比较大，它通过激活以后在S曲线上会比较接近0或1，梯度很小，收敛会很慢。
所以batch Normalization就想在每层都加一个norm进行标准化，让每层
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
