【AI数学】Batch-Normalization详细解析

声明：十分欢迎转载，但须先征求本人同意。

---

BN目前已经成为了调参师面试必问题之一了。同时，BN层也慢慢变成了神经网络不可分割的一部分了，相比其他优化操作比如dropout, l1, l2, momentum，影子变量等等，BN是最无可替代的。

论文标题: 《Batch Normalization: Accelerating Deep Network Training b y Reducing Internal Covariate Shift》

论文地址：https://arxiv.org/pdf/1502.03167.pdf

这篇博文想以最通俗的方法解释BN，避免大量术语以及杂七杂八的公式。

---

1. BN用在哪里

BN往往用在卷积层之后，激活函数之前(比如对于darknet-53来说，conv+BN+relu成为一个标配，构成最小组件)。当然，BN不一定用在conv之后，但用在激活函数之前是几乎必须的(这样才能发挥它的作用)。

我们把神经网络各层之间的传递称为特征图(feature map)，特征图在传递的过程中，就需要用BN进行调整。为什么要调整呢？

我们在训练的时候，都是输入一批一批的训练数据(mini-batch)，比如batch size=32，那一次输入32个数据。这一数据可能满足一个分布A，如果A分布比较任性，那分布A在通过激活函数(非线性层)时，修剪率会很高或者很低。（修剪率是我自己定义的一个说法，神经网络就是通过特征提取层(如conv)提取特征再通过激活函数修剪从而实现神经网络的函数表达力）

多说不如一张图：

我上图展示了3中分布情况，当batch特征图分布比较任性(batch比较小的时候，很容易出现任性的情况，如上图前两种情况)。上述用的激活函数是relu，在输入大于0时保持不变，小于0时变为0。对于一二两种情况，要么修剪得过少，等于没用激活函数；要么修剪得过多，一大批0传到后面。当然，在不断训练的过程中，情况一二都会慢慢减少，因为特征提取层越来越牛x。但这需要用更多训练时间去填补，而且最终的性能不会很好，虽然是batch训练，但它的视野没到batch分布那个层面。视野太窄，也更容易过拟合。如果用其他激活函数比如sigmoid/tanh等，还有梯度加速弥散的问题存在。(自己可以画图看看，两端抑制)

OK，我们想要的是上图表示的第三种情况，激活函数的修剪率适中。这就需要用到BN操作了。

BN怎么操作

先看论文里的截图：

第一步，我们获得了一个mini-batch的输入в = {x1,..., xm}，可以看出batch size就是m。

第二步，求这个batch的均值μ和方差σ

第三步，对所有xi ∈в，进行一个标准化，得到xi`。

第四步，对xi`做一个线性变换，得到输出yi。

现在对上述四个步骤做一个全面分析：我们获取一个任意分布，对这个分布包含的数据做一个标准化。这个操作是否十分熟悉呢？

我们回到高中的正态分布：

标准化一个高斯分布是怎么做的呢？对于x~N(μ, σ^2)而言，如果x` = (x- μ)/σ，则x`~N(0, 1)。

这个标准化公式(即x` = (x- μ)/σ)，可以通过正态分布的概率密度公式推出来，在这里就不做详解了。

对于自然界很多分布，都可以用(类)高斯分布来建模。同样，可以用这个公式x` = (x- μ)/σ来进行标准化(这个标准化公式不仅适用高斯分布)，标准化之后的分布满足期望为0，方差为1。比较一下标准化公式和第三步的公式：

多了一个ε，这里的ε是一个很小的数，避免由分母等于0带来的系统错误，所以其实两个公式是等价的。

对于标准正态分布而言，刚好满足我在上图中描述的第三种情况。钟形曲线刚好关于y轴对称。

想必会有人认为，按理说BN操作到这里就结束了，为什么还会有第四步呢？

第4步恰好是BN的精髓之处：γ和β是可学习的。我们获得一个关于y轴对称的分布真的是最符合神经网络训练的吗？没有任何理由能证明这点。事实上，γ和β为输出的线性调整参数，可以让分布曲线压缩或延长一点，左移或右移一点。由于γ和β是可训练的，那么意味着神经网络会随着训练过程自己挑选一个最适合的分布。如果我们固执地不用γ和β会怎么样呢？那势必会把压力转移到特征提取层，虽然最后结果依然可观，但训练压力会很大。你想想，一边只需要训练两个数，另一边需要训练特征提取层来符合最优分布就是关于y轴的对称曲线。前者自然训练成本更低。

---

总结

BN就是调整每层网络输出数据的分布，使其进入激活函数的作用区。激活函数的作用区就是指原点附近的区域，梯度弥散率低，区分率高。同时，BN会在训练过程中，自己调节数据分布，使其“更合理”地进入激活函数。

所以，BN有以下特点：

1. 加速收敛。减少epoch轮数，因为不必训练神经网络去适应数据的分布。同时，完美地使用了激活函数对数据的“修剪”，减少梯度弥散。同时，学习率也可以大一点。

2. 准确率更高。这也是得亏于对激活函数的完美使用，切得更准，垂直度更高。比如，yolo v2加入BN后，mAP提高了2%。

这以上两个特点，具有普世性价值，这也是BN势不可挡的原因。