神经网络中的BN层

BN层

BN，全称Batch Normalization（批规范化）,是2015年提出的一种方法，在进行深度网络训练时，大都会采取这种算法。算法过程如下：

简单来说就是对上一层输出的数据进行规范化。

优势:

1. 加快网络的训练和收敛的速度，即我们可以使用较大的学习率
2. 控制梯度爆炸防止梯度消失
3. 防止过拟合

1.加快训练速度

在深度神经网络中中，如果把每层的数据都在转换在均值为零，方差为1的状态下，这样每层数据的分布都是一样的训练会比较容易收敛。
原因在于神经网络学习过程本质就是为了学习数据分布，如果训练数据与测试数据的分布不同，那么网络的泛化能力也大大降低；另外一方面，深度网络的训练是一个复杂的过程，只要网络的前面几层发生微小的改变，那么后面几层就会被累积放大下去。如果每批训练数据的分布各不相同，那么网络就要在每次迭代都去学习适应不同的分布，这样将会降低网络的训练速度。

2.控制梯度爆炸防止梯度消失

2.1什么是梯度爆炸/消失

梯度消失与梯度爆炸其实是一种情况。以下图以三个隐层的单神经元网络为例：

以上图为例，假设每一层网络激活后的输出为 $f_i(x)$,其中 $i$ 为第 $i$ 层, $x$ 代表第 $i$ 层的输入, 也就是第 $i-1$ 层的输出, $f$ 是激活函数, 那么, 可得出 $f_{i+1}=f\left(f_i\ast w_{i+1}+b_{i+1}\right)$