批归一化作用_批归一化（Batch Normalization）

之前在几篇博客中说到了权重共享，但都觉得不够全面，这里做个专题，以后有新的理解都在此更新。

1. 减少运算只是锦上添花

之前说到权重共享可以减少运算，是的，但这样说好像是可有可无，只是运算量大小的问题，其实不是可有可无的。

2. 权重共享的本质是特征提取

之前说到权重就是模板，我们按照一定的模板来与样本进行比对，看看有没有与模板一致的外在表现(特征)

3. 权重共享使得模型泛化

普通的神经网络输入是固定的，而权重共享可以使得输入不固定。

比如很多张图像，每张图像上有个人脸，但是人脸在图像的不同位置，或者图像的大小也不相同，此时权重共享可以全图扫描，搜索人脸，进而把特征提取出来。

再如RNN做语义分析，两句话：我去年去了北京；去年我和父母去了北京，这其实意思差不多，但文字位置不同，句子长度也不同。

权重共享使得模型能够处理一个连续序列的特征，而不管输入的序列总长度是多少。

当这个连续序列在样本的不同位置时，依然能够识别，而不是学习每个位置的规则，这不仅抓住了不同特征之间的连续性，也减少了学习规则

所以权重共享是必须的。

CNN中的BN

注意前面写的都是对于一般情况，对于卷积神经网络有些许不同。因为卷积神经网络的特征是对应到一整张特征响应图上的，所以做BN时也应以响应图为单位而不是按照各个维度。比如在某一层，batch大小为m，响应图大小为w×h，则做BN的数据量为m×w×h。

BN在深层神经网络的作用非常明显：若神经网络训练时遇到收敛速度较慢，或者“梯度爆炸”等无法训练的情况发生时都可以尝试用BN来解决。同时，常规使用情况下同样可以加入BN来加速模型训练，甚至提升模型精度。