Batch Normalization，拆开来看，第一个单词意思是批，出现在梯度下降的概念里，第二个单词意思是标准化，出现在数据预处理的概念里。

我们先来看看这两个概念。

数据预处理

方法很多，后面我会在其他博客中专门讲，这里简单回忆下

归一化，x-min/max-min，

标准化，包括标准差标准化，x-mean/std，极差标准化，x-mean/(max-min)，

中心化，x-mean，

白化，pac-->归一化

梯度下降

梯度下降中 mini batch sgd 是比 sgd 更好的一种方法，因为min batch是平均梯度，使得梯度更平稳，容易收敛，而且batch能够并行计算，减少运算。

我们知道，在机器学习中，梯度下降是要归一化的，因为如果不归一化，y在各个维度上的量纲不一样，使得y的图形不规则，扁平或者瘦高，这样在求梯度时经常会歪歪曲曲，一般会陷入局部最优。

图示如下

神经网络也是用的梯度下降，从这点来看，也是需要数据预处理的。

独立同分布 IID

在机器学习中有这个概念，意思是训练数据和测试数据需要服从同样的分布，这样才有意义，很好理解。

但是在深度学习中，训练和测试都是图片（cnn为例，图片为例），似乎不牵扯IID。

那这根batch normalization 有什么关系呢？

因为在神经网络中有层的概念，每一层都有输入，每一层的输入是上一层的输出，而输出是经过非线性函数的，非线性函数的取值都有特定的区间，这就和原始的输入在数据分布上存在很大不同，

此时需要用一定的方法统一数据分布。

神经网络的训练问题

神经网络层数越深，越是难以训练，收敛速度越来越慢，为什么呢？下面我以sigmoid函数为例简要说明。（后面我会专门写一篇激活函数的博客，详细阐述）

在数学建模时一般会要求样本服从正态分布，正态分布标准化后就是标准正态分布。图像如下

可以看到标准正态分布95%的概率落在 [-2, 2] 之间

sigmoid 函数的特点是在绝大多数x上（除了-2到2的区间）取值要么无限接近于1，要么无限接近于0，而且，这种情况下其梯度无限接近于0，这就是神经网络梯度消息的本质，这也是sigmoid函数很难作为深度神经网络的激活函数的原因。

而 batch normalization 的作用是把x规范到0附近，此时其梯度很大，收敛很快。

scale and shift

batch normalization 虽然增加了梯度，但是同时我们发现，当x在0附近时，其函数非常接近于线性，这大大降低了模型的表达能力。

为了解决这个问题，作者又提出了 scale and shift，即y=scale*x+shift，这相当于是把数据从0向左或向右平移了一段并拉伸或压缩，使得y处于线性和非线性的交界处，这样既保证了较大的梯度，也保留了模型的非线性表达能力。

scale 和 shift 通过训练学习到。

到这基本就讲完 batch normalization 的原理了，下面看看具体怎么使用。

使用方法

之前讲到batch normalization使得神经网络每一层的输入变得规范，也就是说它是把 wx+b 变得规范，即用在线性变换之后，非线性变换之前。如图

总体计算方法如下

这里在标准化时分母加了个ε，是防止分母为0。

总结

batch normalization的优点

1. 提高神经网络的训练效率，避免梯度消失

2. 使得神经网络不依赖于初始值，方便调参

3. 抑制过拟合，降低dropout的使用，提高泛化能力

batch normalization的缺点

1. batch normalization 仍然有很多地方科学理论无法解释

2. batch大小对其效果影响很大，batch 很小时，其梯度不够稳定，收敛变慢，极端情况就是 sgd

参考资料：

https://www.cnblogs.com/guoyaohua/p/8724433.html

https://www.zhihu.com/question/38102762

https://blog.csdn.net/whitesilence/article/details/75667002

https://blog.csdn.net/liangjiubujiu/article/details/80977502