Batch Normalization（正则化）

1. 过拟合的原因

• 模型参数多，复杂度高
• 训练数据少，提取的特征不足

2. 梯度弥散和梯度爆炸

• 梯度弥散： 神经网络采用sigmoid激活函数，误差在前向传递时，经过sigmoid单元，需要乘以sigmoid到的梯度而sigmoid的梯度往往小于1，则误差传递会越来愈小。
  

  训练速度变慢的原因，一般是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sigmoidsigmoid sigmoidsigmoid函数来说，意味着激活输入值WU+BWU+B WU+BWU+B是∣x∣∣x∣ |x|∣x∣绝对值大的正值或负值，如下图两个红色剪头的指向)，所以这导致反向传播时低层神经网络的梯度消失(数学导数)，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。

- 梯度爆炸： 误差经过Affine层和卷积层时，若权重W很大，大到可以超过sigmoid造成的减小，则误差传递会越来越大。

BN的作用其实简单来说就是把隐层神经元激活输入从各种奇怪的非【均值为0方差为1的正态分布】拉回到【均值为0方差为1的正态分布】。

• Batch Normalization网络层的前向传导过程公式就是：
  

3. BN一般跟在Affine和convolution层后面

class BatchNormalization:
    """
    思路：强制性调整激活值的分布，适当的初始值，带来更加适当的激活值分布，保证训练正常进行
    作用：防止过拟合
          增大学习率
          不多余依赖初始值
    位置：Affine、convolution层后面
    原理：与数据白化原理类似，对数据的均值方差进行调整，加速训练收敛
    """

    def __init__(self, gamma, beta, momentum=0.9, running_mean=None, running_var=None):
        self.gamma = gamma
        self.beta = beta
        self.momentum = momentum
        self.input_shape = None  # Conv层的情况下为4维，全连接层的情况下为2维

        # 测试时使用的平均值和方差
        self.running_mean = running_mean
        self.running_var = running_var

        # backward时使用的中间数据
        self.batch_size = None
        self.xc = None
        self.std = None
        self.dgamma = None
        self.dbeta = None

    def forward(self, x, train_flg=True):
        self.input_shape = x.shape
        if x.ndim != 2:
            N, C, H, W = x.shape
            x = x.reshape(N, -1)

        out = self.__forward(x, train_flg)

        return out.reshape(*self.input_shape)

    def __forward(self, x, train_flg):
        if self.running_mean is None:
            N, D = x.shape
            self.running_mean = np.zeros(D)
            self.running_var = np.zeros(D)

        if train_flg:
            mu = x.mean(axis=0)
            xc = x - mu
            var = np.mean(xc ** 2, axis=0)
            std = np.sqrt(var + 10e-7)
            xn = xc / std

            self.batch_size = x.shape[0]
            self.xc = xc
            self.xn = xn
            self.std = std
            self.running_mean = self.momentum * self.running_mean + (1 - self.momentum) * mu
            self.running_var = self.momentum * self.running_var + (1 - self.momentum) * var
        else:
            xc = x - self.running_mean
            xn = xc / ((np.sqrt(self.running_var + 10e-7)))

        out = self.gamma * xn + self.beta
        return out

    def backward(self, dout):
        if dout.ndim != 2:
            N, C, H, W = dout.shape
            dout = dout.reshape(N, -1)

        dx = self.__backward(dout)

        dx = dx.reshape(*self.input_shape)
        return dx

    def __backward(self, dout):
        dbeta = dout.sum(axis=0)
        dgamma = np.sum(self.xn * dout, axis=0)
        dxn = self.gamma * dout
        dxc = dxn / self.std
        dstd = -np.sum((dxn * self.xc) / (self.std * self.std), axis=0)
        dvar = 0.5 * dstd / self.std
        dxc += (2.0 / self.batch_size) * self.xc * dvar
        dmu = np.sum(dxc, axis=0)
        dx = dxc - dmu / self.batch_size

        self.dgamma = dgamma
        self.dbeta = dbeta

        return dx