推荐一篇讲BN讲的很好的博客

bn博客

bn其实有点像whitening，PCA的感觉

此图取自周博磊VALSE视频，视频链接，这图是为了表征某个卷积核对于不同级别模式的相应，因为每一个kernel都是一个pattern detector，比如有的神经元对于狗头很敏感（ImageNet1000类有200多类狗所以这种神经元很多2333），有的对于圆形很敏感，有的对于某种纹理或者颜色敏感（对特定patten响应值更高）等等，博磊自己说大概实验显示每层有40，50%的kernel有比较偏好的响应，另外的50%比较general，学多个模式，如果加了dropout、bn，前者会下降到20%~30%。可以看到有bn后整体敏感度降低，卷积核对pattern的响应更general，让他做的事情变得更多了（有点word2vector的感觉？）（博磊自己在视频里说那些没有语义信息的kernel可能是比较欠训练，比较冗余的，这点我持怀疑态度，这些kernel应该是很重要的，不然为啥加了正则化这些kernel多了结果好了？）