批标准化(Batch Normalization, BN)

批标准化(Batch Normalization, BN)

  我们知道在深层神经网络训练时，会产生梯度消失问题，梯度消失的一个主要来源就是激活函数，以sigmoid函数为例，自变量在0附近导数较大，自变量越大或者越小都会造成导数缩小，如果数据分布在过小或者过大区域，过小的导数就很可能产生梯度消失问题(为何梯度消失要看激活函数的导数，这涉及到反向传播推导，可以看我的另一篇blog)。在比如，如果我们的数据大量分布在远离0的点，例如20和200，差了10倍，但是经过sigmoid激活后，输出值十分接近(我用torch.sigmoid()函数计算，结果全是1. ，可见差距是非常的小)，这种过强的非线性，就很难体现出数据的差异性。为了解决这些问题，批标准化就被提出。
  批标准化的基本思路是把数据拉扯到0附近，让数据满足均值为0，方差为1的正态分布，说到这里，一些人可能会想到某些方法，例如Z-Score标准化，其实批标准化就和Z-Score标准化很像，只不过我们不仅仅对输入做标准化，我们还在每一隐层的输入激活函数前，也加一层标准化。批标准化一般表示成$y=B{N}_{\gamma ,\beta }(x)$。$B{N}_{\gamma ,\beta }(\cdot )$由下面四个操作构成：

  上图来自论文Batch normalization: accelerating deep network training by reducing internal covariate shift，我先解释一下输入，假设目前我们想要进行批标准化的是隐层$l$，该隐层输入的size是(B,N)，其中B是batch size，N是当前隐层$l$需要进行批标准化的神经元的个数，如果B=3，N=5，那么当前隐层输入的值，可以表示成下面的式子$$\left[\begin{array}{cccccc}[x_{11}& x_{12}& x_{13}& x_{14}& x_{15}& ]\\ [x_{21}& x_{22}& x_{23}& x_{24}& x_{25}& ]\\ [x_{31}& x_{32}& x_{33}& x_{34}& x_{35}& ]\end{array}\right]$$

在Algoritm.1算法中，batch中的一个$x_i$就是$[x_{i1},x_{i2},x_{i3},x_{i4},x_{i5}]$，得到的${\mu }_B,{\sigma }_B^2,{\hat{x}}_i,y_i$全是五维的，所以上面的公式其实是向量运算。对于全连接层的批标准化，其实是考虑单个神经元的值为一个集体，这一集体有batch size个元素，在这一集体进行上面的四步操作，神经元间是独立的，同一隐层每个神经元各求得一个${\mu }_B,{\sigma }_B^2$。也就是说，$x_{11},x_{21},x_{31}$求一个均值，方差；$x_{12},x_{22},x_{33}$求一个均值，方差……

  至于为何会存在$\gamma ,\beta$，是因为我们不想让数据经过批标准化后真的落在0附近，以sigmoid为例，0附近接近线性，而我们的神经网络需要依靠激活函数提供分线性，所以会加一个回退操作，这就是$\gamma ,\beta$的所用，$\gamma ,\beta$可以通过反向传播算法进行学习，$\gamma ,\beta$在上面例子中也是五维的。

推断过程

  我们知道训练数据时一般会用mini-batch，但是训练后作用于验证集或测试集时，只会一次带入一条数据，没有均值和方差，我们如何对单条数据进行批标准化呢？针对这种情况，我们利用训练集中的均值和方差，下图是论文中的原图，1-6步是训练过程，7-12步是推断过程，

从图中我们可以看出来，推断过程中，我们利用训练集的所有batch的均值${\mu }_B$，方差${\sigma }_B^2$，来通过公式 E [ x ] ← E B [ μ B ] V a r [ x ] ← m m − 1 E B