DL\ML--深度学习之BN算法（Batch Normailization)--概念题（1）

此系列是记录DL、ML相关的一些基础概念，便于理解和回顾！一天两道！哈哈哈~~，水滴石穿！小白水平，若有错误，欢迎指正！

---

深度学习之BN算法（Batch Normailization）

$BN$ 算法出自论文：
$(BatchNormailzation：AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift)$

参考链接：Batch Normalization 学习笔记

网络训练起来，参数更新，第一个输入层数据是我们输入的，分布不会变，其余后面所有层的输入数据分布都会发生变化。网络中间层在训练过程中，数据分布的改变被论文作者称为：$InternalCovariateShift$。

---

提出该 BN 算法的目的：

在神经网络训练的时候，需要对数据做归一化处理，为什么需要归一化和归一化的好处？

• 神经网络学习的本质就是学习：数据分布，一旦测试集与训练集的数据分布不同，那么网络的泛化能力就会大大降低；
• 深度网络训练的时候，一旦前面的几层发生微小的变化，那么这些微小的变化经过很多层就会被累积放大，因此每一层都要进行归一化。网络训练的时候，选用的是每一批次(Batch)，因此一旦每批训练数据的分布各不相同的话，那么网络在每次迭代的时候都要去学习适应不同的数据分布，这样会大大降低网络的训练速度；

BN算法就是解决在训练过程中，中间层数据分布发生变化的情况。

---

BN算法的优点：

• 可以选择比较大的初始学习率，因为这个算法收敛很快；
• 不需要理会过拟合中 $dropout$、$L2$ 正则化参数的选择问题。因为 BN 算法具有提高网络泛化能力的特性；
• 不需要使用 局部响应归一化层 ，因为 BN 算法本身就是一个 归一化网络层；

---

BN的本质：
非线性变换前的激活输入值（y=Wx+b）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，所以导致训练收敛慢，一般体现为：整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于 $Sigmoid$ 函数来说，意味着激活输入值 y=wx+b 是 -inf 或者 +inf），这导致反向传播时低层神经网络的梯度消失，这是训练深层神经网络收敛越来越慢的本质原因。而BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布，其实就是把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数较大的变化，意思是这样让梯度变大，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。

---

BN的实现：
最有用的预处理为白化，因此有想法者提出在每层之前增加 PCA 白化，也就是 先对数据进行去相关然后再进行归一化，这样基本满足了数据的0均值、单位方差、弱相关性。但是这样是不可取的，因为在白化过程中会计算协方差矩阵、求逆等操作，计算量会很大，另外，在反向传播时，白化的操作不一定可微。于是为了简化计算，作者忽略了第1个要求，仅仅使用了下面的公式进行预处理，也就是近似白化预处理：

减去均值，除以方差，将其归一化到：均值为0，方差为1：$${\hat{x}}^{(k)}=\frac{x^{(k)}-\mathrm{E}\left[x^{(k)}\right]}{\sqrt{\mathrm{Var}\left[x^{(k)}\right]}}$$

经过上述近白化处理后某个神经元的激活x形成了均值为0，方差为1的正态分布，目的是把值往后续要进行的非线性变换的线性区拉动，增大导数值，增强反向传播信息流动性，加快训练收敛速度。但是这样会导致网络表达能力下降。打个比方，比如我网络中间某一层学习到特征数据本身就分布在 $Sigmoid$ 激活函数的两侧，你强制把它给我归一化处理、标准差也限制在了1，把数据变换成分布于 $Sigmoid$ 函数的中间部分，这样就相当于我这一层网络所学习到的特征分布被破坏了，这可怎么办？而且这个归一化层，在网络构建中，它是一个可学习、有参数的网络层。所以：每个神经元增加两个调节参数（scale和shift），这两个参数是通过训练来学习到的，用来对变换后的激活反变换，使得网络表达能力增强，即对变换后的激活进行如下的scale和shift操作，这其实是变换的反操作：$${\hat{x}}^{(k)}=\frac{x^{(k)}-\mathrm{E}\left[x^{(k)}\right]}{\sqrt{\mathrm{Var}\left[x^{(k)}\right]}}$$$$y^{(k)}={\gamma }^{(k)}{\hat{x}}^{(k)}+{\beta }^{(k)}$$$${\beta }^{(k)}=\mathrm{E}\left[x^{(k)}\right]{\gamma }^{(k)}=\sqrt{\mathrm{Var}\left[x^{(k)}\right]}$$是可以恢复出原始的某一层所学到的特征的。引入可学习重构参数γ、β，让网络可以学习恢复出原始网络所要学习的特征分布。

终，BN算法可总结为：
$$\begin{array}{rlrl}{\mu }_{\mathcal{B}}& \leftarrow \frac{1}{m}{\sum }_{i=1}^m{x}_i& & \text{ If mini-batch mean }\\ {\sigma }_{\mathcal{B}}^2& \leftarrow \frac{1}{m}{\sum }_{i=1}^m{\left(x_i-{\mu }_{\mathcal{B}}\right)}^2& \text{ //mini-batch variance }& \\ {\hat{x}}_i& \leftarrow \frac{x_i-{\mu }_{\mathcal{B}}}{\sqrt{{\sigma }_{\mathcal{B}}^2+ϵ}}& & \text{ I/ normalize }\\ y_i& \leftarrow \gamma {\hat{x}}_i+\beta \equiv \mathrm{B}{\mathrm{N}}_{\gamma ,\beta }\left(x_i\right)& & \text{ If scale and shift }\end{array}$$

---

BN在训练和测试时的差别 :
对于BN，在训练时，是对每一批的训练数据进行归一化。使用BN的目的就是每个批次分布稳定。当一个模型训练完成之后，它的所有参数都确定了，包括均值和方差，gamma和bata。

而在测试时，比如进行一个样本的预测，就并没有batch的概念，因此，这个时候用的均值和方差是全量训练数据的均值和方差，也就是使用全局统计量来代替批次统计量，这个可以通过移动平均法求得。具体做法是，训练时每个批次都会得到一组（均值、方差），然后对这些数据求数学期望！每轮batch后都会计算，也称为移动平均。

---

BN代码实现：

def BN(x, gamma, beta, is_training, moving_mean, moving_var, moving_momentum=0.1):
    eps = 1e-5
    x_mean = torch.mean(x, dim=0, keepdim=True)  # 计算均值
    x_var = torch.mean((x - x_mean) ** 2, dim=0, keepdim=True)  # 计算方差
    if is_training:
        x_hat = (x - x_mean) / torch.sqrt(x_var + eps)  # 类白化操作
        moving_mean[:] = moving_momentum * moving_mean + (1. - moving_momentum) * x_mean  # 移动平均
        moving_var[:] = moving_momentum * moving_var + (1. - moving_momentum) * x_var
    else:
        x_hat = (x - moving_mean) / torch.sqrt(moving_var + eps)
    return gamma.view_as(x_mean) * x_hat + beta.view_as(x_mean)  # 反变换