【文章阅读】BN(2015)理解Batch Normalization批标准化

Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

Brief

该论文是关于 BN， 引用量10000++
论文链接paper
Pieter Abbeel Sergey Levine 作者依然是两位大佬
这是BN的始祖文章，为了增进理解，特意细读看看。

Abstract

(这个摘要的特点是开门见山，直接就是指出问题，问题影响了啥。我们的方法是啥，特点是啥，能提高啥。做了什么实验，得到了怎样好的结果。)

【直接点明问题】训练深度神经网络很复杂，因为在训练过程中，每层输入的分布会随着前几层的参数变化而变化。这需要lower learning rate 和careful parameter initialization 较低的学习率和仔细的参数初始化，从而减慢了训练速度，并且使得训练具有饱和非线性saturating nonlinearities的模型变得众所周知的困难notoriously hard。【下定义】我们将这种现象称为internal covariate shift （内部协方差？内部协变量偏移 ？），并通过对层输入进行归一化来解决这个问题。【方法】我们的方法的优势在于将normalization规范化作为模型architecture结构的一部分，并对每个小批量训练each training min-batch 执行规范化。【特点】（1）批规范化允许我们使用更高的learning rate 学习率，并且对初始化不那么小心。（2）它还可以作为一个regularizer 正则化器，在某些情况下消除eliminating了Dropout 的需要。【应用实验】应用于一个最先进的图像分类模型，批规范化在训练步骤减少了14倍的情况下达到了相同的精度，并且by a significant margin 大大优于原始模型。使用一组an ensemble of batch-normalized 批标准化网络，我们改进了 ImageNet分类的最佳发布结果：top-5 validation error 验证误差达到4.9%（4.8% test error 测试误差），超过了exceeding人类评分员human raters 的准确性。

Introduction

• 第一段：介绍SGD的概念，计算方法，两个优点
  【大背景】 深度学习极大地推动了vision，speech和许多其它领域的技术水平。【SGD】stochastic gradient descent （SGD）随机梯度下降已经被证明是训练深度网络的有效方法，SGD 的变种，如 momentum 和 Adagrad 等已经被用于实现最先进的性能。SGD 优化了网络的参数$\Theta$，从而最小化loss
  $\Theta =arg\underset{\Theta }{\min }\frac{1}{N}\sum _{i=1}^N\ell (x_i,\Theta )$
  其中，$x_{1...m}$ 是training data set 训练数据集。
  with SGD，训练是分布进行的，在每一步我们都会考虑大小为 m 的minibatch $x_{1...m}$。mini-batch 用于近似loss function 的梯度 with respect to the parameters， 通过计算
  $\frac{1}{m}\frac{\partial \ell (x_i,\Theta )}{\partial \Theta }$
  使用mini-batch 的例子，而不是一次一个例子，在几个方面是有帮助的。首先，在mini-batch上的loss 的梯度是对训练集上的梯度的估计，其质量随着批次大小batch size增加而提高。其次，由于现代计算平台提供的并行性parallelism ，批量的计算可以比单个例子individual examples 的m次计算更有效率。

• 第二段：
  【点出缺点】虽然随机梯度简单有效，但需要仔细调整模型超参数，特别是优化中使用的learning rate 学习率，以及模型参数的初始值initial values。【分析原因】 由于每层的输入都会受到前面所有层的参数的影响— 因此网络参数的微小变化会随着网络的深入而放大，这使得训练变得复杂。

• 第三段：
  层输入分布的变化带来了一个问题，因为层需要不断适应新的分布。当一个学习系统的输入分布发生变化时，就会被称为 experience 经历了 covariate shift。这通常是通过domain adaptation 域适应来处理的。然鹅，covariate shift 的概念可以扩展到学习系统整体之外，适用于它的各个部分，如sub-network 子网络或 a layer 层。考虑一个网络计算
  $\ell =F_2(F_1(u,{\Theta }_1),{\Theta }_2)$
  其中，$F_1$ 和 $F_2$ 是 arbitrary transformation 任意变换，参数 ${\Theta }_1$ 和 ${\Theta }_2$ 是要学习的，为了把loss $\ell$ 最小化。学习 ${\Theta }_2$ 可以看作是把输入$x=F_1(u,{\Theta }_1)$ fed into 输入到 sub-network 中去
  $\ell =F_2(x,{\Theta }_2)$ .
  例如，一个梯度下降步骤
  ${\Theta }_2\leftarrow {\Theta }_2-\frac{a}{m}\sum _{i=1}^m\frac{\partial F_2(x_i,{\Theta }_2)}{\partial {\Theta }_2}$
  (for batch size m and learning rate $\alpha$) 是完全等同于输入 $x$ 的 stand-alone network $F_2$ 独立网络。因此，输入分布特性使得训练更有效率——例如，训练数据和测试数据之间有相同的分布——也适用于训练 sub-network。因此 As such，随着时间的推移，$x$ 的分布保持固定是有利的。那么，${\Theta }_2$ 不需要重新调整来补偿 $x$ 的分布变化。

• 第四段：
  sub-network输入的固定分布，对sub-network外的各层也会产生积极的影响positive consequences。考虑一个具有sigmoid 激活函数 $z=g(Wu+b)$ 的层，其中 u 是层输入，权重矩阵 W 和偏置向量 b 是要学习的层参数，并且 $g(x)=1$