Batch Normalization和Layer Normalization

为什么需要归一化

       各个特征之间的量纲不同，会导致在计算loss时，会过度依赖于量纲较大的那些特征，而忽略量纲较小的特征，导致梯度下降时走“之字形”路线。

1 对比

1. BN是在batch上，对N、H、W做归一化，而保留通道 C 的维度。BN对较小的batch size效果不好。BN适用于固定深度的前向神经网络，如CNN，不适用于RNN
2. LN在通道方向上，对C、H、W归一化，主要对RNN效果明显；

       如果把特征图[公式]比喻成一摞书，这摞书总共有 N 本，每本有 C 页，每页有 H 行，每行 有W 个字符。

1. BN 求均值时，相当于把这些书按页码一一对应地加起来（例如第1本书第36页，第2本书第36页…），再除以每个页码下的字符总数：N×H×W，因此可以把 BN 看成求“平均书”的操作（注意这个“平均书”每页只有一个字），求标准差时也是同理。
2. LN 求均值时，相当于把每一本书的所有字加起来，再除以这本书的字符总数：C×H×W，即求整本书的“平均字”，求标准差时也是同理。

2 Batch Normalization

2.1 why BN?

       （1）在深度神经网络训练的过程中，通常以输入网络的每一个mini-batch进行训练，这样每个batch具有不同的分布，使模型训练起来特别困难。

       （2）Internal Covariate Shift (ICS) 问题：当底层网络中参数发生微弱变化时，由于每一层中的线性变换与非线性激活映射，这些微弱变化随着网络层数的加深而被放大（类似蝴蝶效应）；另一方面，参数的变化导致每一层的输入分布会发生改变，进而上层的网络需要不停地去适应这些分布变化，使得我们的模型训练变得困难，网络的训练过程容易陷入梯度饱和区，减缓网络收敛速度。

2.2 BN的主要思想

       针对每个神经元，使数据在进入激活函数之前，沿着通道计算每个batch的均值、方差，‘强迫’数据保持均值为0，方差为1的正态分布，避免发生梯度消失。具体来说，就是把第1个样本的第1个通道，加上第2个样本第1个通道 … 加上第 N 个样本第1个通道，求平均，得到通道 1 的均值（注意是除以 N×H×W 而不是单纯除以 N，最后得到的是一个代表这个 batch 第1个通道平均值的数字，而不是一个 H×W 的矩阵）。求通道 1 的方差也是同理。对所有通道都施加一遍这个操作，就得到了所有通道的均值和方差。

2.3 BN的算法过程

       BN的使用位置在全连接层或者卷积层之后，激活函数之前。

1. 沿着通道计算每个batch的均值$\mu$
2. 沿着通道计算每个batch的方差${\sigma }^2$
3. 做归一化
4. 加入缩放和平移变量