[论文分享/阅读]Normalization/正则化分享总结

• 作用：
  加速训练：防止训练震荡，防止训练过早饱和[数据分布在两端]
  //没有用 BN 的时候, 每层的值迅速全部都变为 0, 也可以说, 所有的神经元都已经死了. 而有 BN, relu 过后, 每层的值都能有一个比较好的分布效果, 大部分神经元都还活着.
  可以达到更好的精度

• Normalization
  https://www.zhihu.com/question/20924039

• BN
  https://zhuanlan.zhihu.com/p/93643523
  https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-13-BN/#compare #莫烦教程
  https://zhuanlan.zhihu.com/p/24810318

if norm:    # 判断书否是 BN 层
    fc_mean, fc_var = tf.nn.moments(
        Wx_plus_b,
        axes=[0],   # 想要 normalize 的维度, [0] 代表 batch 维度
                    # 如果是图像数据, 可以传入 [0, 1, 2], 相当于求[batch, height, width] 的均值/方差, 注意不要加入 channel 维度
    )
    scale = tf.Variable(tf.ones([out_size]))
    shift = tf.Variable(tf.zeros([out_size]))
    epsilon = 0.001
    Wx_plus_b = tf.nn.batch_normalization(Wx_plus_b, fc_mean, fc_var, shift, scale, epsilon)
    # 上面那一步, 在做如下事情:
    # Wx_plus_b = (Wx_plus_b - fc_mean) / tf.sqrt(fc_var + 0.001)
    # Wx_plus_b = Wx_plus_b * scale + shift
    # 如果你已经看不懂了, 请去我最上面学习资料里的链接 (我制作的 Batch normalization 简介视频)

• LRN
  https://blog.csdn.net/yangdashi888/article/details/77918311

• 报告：

Normalization: 操纵统计分布的隐形之手
报告嘉宾：邵文琪 (The Chinese University of Hong Kong)
报告时间：2021年7月28日 (星期三)晚上20:20
报告题目：Channel Equilibrium Network for Learning Deep Representation
个人主页：https://scholar.google.com/citations?user=Bs9mrwwAAAAJ&hl=en
报告地址：http://valser.org/article-433-1.html
https://www.bilibili.com/video/BV19q4y1H7ra

报告嘉宾：Boyi Li (Cornell University)
报告时间：2021年7月28日 (星期三)晚上20:00 (北京时间)
报告题目：Learning to learn normalization
个人主页：https://sites.google.com/site/boyilics/home
报告地址：http://valser.org/article-433-1.html
https://www.bilibili.com/video/BV16341167ku

时间：2021年7月28日晚20点
主题：Normalization: 操纵统计分布的隐形之手
主持人: 张瑞茂 (香港中文大学深圳校区)
嘉宾：Boyi Li (Cornell University)，邵文琪 (The Chinese University of Hong Kong)，高尚华 (南开大学)，龙明盛 (清华大学)，孙若愚 (伊利诺伊大学香槟分校)，张辉帅 (微软亚洲研究院)，黄雷 (北京航空航天大学)
地址：http://valser.org/article-433-1.html
https://www.bilibili.com/video/BV1UV411p741