- 阅读《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》时，开始接触一些深度学习的知识
- - []
- - []
- - []
- - []
作者：张俊林，新浪微博AI Lab担任资深算法专家Batch Normalization（简称BN）自从提出之后，因为效果特别好，很快被作为深度学习的标准工具应用在了各种场合。BN大法虽然好，但是也存在一些局限和问题， 诸如当BatchSize太小时效果不佳、对RNN等动态网络无法有效应用BN等。针对BN的问题，最近两年又陆续有基于BN思想的很多改进Normalization模型被提出。 BN是深度学习进展中里程碑式的工作之一，无论是希望深入了解深度学习，还是在实践中解决实际问题，BN及一系列改进Normalization工作都是绕不开的重要环节。
- 2018-NIPS-How Does Batch Normalization Help Optimization : 论文链接：https://arxiv.org/pdf/1805.11604v3.pdf
摘要：批归一化（BatchNorm）是一种广泛采用的技术，用于更快速、更稳定地训练深度神经网络（DNN）。尽管应用广泛，但 BatchNorm 有效的确切原因我们尚不清楚。 人们普遍认为，这种效果源于在训练过程中控制层输入分布的变化来减少所谓的「内部协方差偏移」。本文证明这种层输入分布稳定性与 BatchNorm 的成功几乎没有关系。 相反，我们发现 BatchNorm 会对训练过程产生更重要的影响：它使优化解空间更加平滑了。这种平滑使梯度更具可预测性和稳定性，从而使训练过程更快。
Batch Normalization是由google提出的一种训练优化方法。参考论文：Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift
个人觉得BN层的作用是加快网络学习速率，论文中提及其它的优点都是这个优点的副产品。 网上对BN解释详细的不多，大多从原理上解释，没有说出实际使用的过程，这里从what, why, how三个角度去解释BN。What is BN
Normalization是数据标准化（归一化，规范化），Batch 可以理解为批量，加起来就是批量标准化。
先说Batch是怎么确定的。在CNN中，Batch就是训练网络所设定的图片数量batch_size。Normalization过程，引用论文中的解释：
输入：输入数据x1..xm（这些数据是准备进入激活函数的数据） 计算过程中可以看到, 1.求数据均值； 2.求数据方差； 3.数据进行标准化（个人认为称作正态化也可以） 4.训练参数γ，β 5.输出y通过γ与β的线性变换得到原来的数值 在训练的正向传播中，不会改变当前输出，只记录下γ与β。 在反向传播的时候，根据求得的γ与β通过链式求导方式，求出学习速率以至改变权值
Why is BN
解决的问题是梯度消失与梯度爆炸。
关于梯度消失，以sigmoid函数为例子，sigmoid函数使得输出在[0,1]之间。
事实上x到了一定大小，经过sigmoid函数的输出范围就很小了，参考下图 
如果输入很大，其对应的斜率就很小，我们知道，其斜率（梯度）在反向传播中是权值学习速率。所以就会出现如下的问题， 
在深度网络中，如果网络的激活输出很大，其梯度就很小，学习速率就很慢。假设每层学习梯度都小于最大值0.25，网络有n层，因为链式求导的原因，第一层的梯度小于0.25的n次方，所以学习速率就慢，对于最后一层只需对自身求导1次，梯度就大，学习速率就快。 这会造成的影响是在一个很大的深度网络中，浅层基本不学习，权值变化小，后面几层一直在学习，结果就是，后面几层基本可以表示整个网络，失去了深度的意义。 关于梯度爆炸，根据链式求导法，
第一层偏移量的梯度=激活层斜率1x权值1x激活层斜率2x…激活层斜率(n-1)x权值(n-1)x激活层斜率n 假如激活层斜率均为最大值0.25，所有层的权值为100，这样梯度就会指数增加。How to use BN
先解释一下对于图片卷积是如何使用BN层。
这是文章卷积神经网络CNN（1）中5x5的图片通过valid卷积得到的3x3特征图（粉红色）。特征图里的值，作为BN的输入，也就是这9个数值通过BN计算并保存γ与β，通过γ与β使得输出与输入不变。假设输入的batch_size为m，那就有m*9个数值，计算这m*9个数据的γ与β并保存。正向传播过程如上述，对于反向传播就是根据求得的γ与β计算梯度。 这里需要着重说明2个细节： 1.网络训练中以batch_size为最小单位不断迭代，很显然，新的batch_size进入网络，机会有新的γ与β，因此，在BN层中，有总图片数/batch_size组γ与β被保存下来。 2.图像卷积的过程中，通常是使用多个卷积核，得到多张特征图，对于多个的卷积核需要保存多个的γ与β。 结合论文中给出的使用过程进行解释
输入：待进入激活函数的变量 输出： 1.对于K维的输入，假设每一维包含m个变量，所以需要K个循环。每个循环中按照上面所介绍的方法计算γ与β。这里的K维，在卷积网络中可以看作是卷积核个数，如网络中第n层有64个卷积核，就需要计算64次。 需要注意，在正向传播时，会使用γ与β使得BN层输出与输入一样。 2.在反向传播时利用γ与β求得梯度从而改变训练权值（变量）。 3.通过不断迭代直到训练结束，求得关于不同层的γ与β。如网络有n个BN层，每层根据batch_size决定有多少个变量，设定为m，这里的mini-batcherB指的是特征图大小*batch_size，即m=特征图大小*batch_size，因此，对于batch_size为1，这里的m就是每层特征图的大小。 4.不断遍历训练集中的图片，取出每个batch_size中的γ与β，最后统计每层BN的γ与β各自的和除以图片数量得到平均直，并对其做无偏估计直作为每一层的E[x]与Var[x]。 5.在预测的正向传播时，对测试数据求取γ与β，并使用该层的E[x]与Var[x]，通过图中11:所表示的公式计算BN层输出。 注意，在预测时，BN层的输出已经被改变，所以BN层在预测的作用体现在此处 def batch_norm(X, gamma, beta, moving_mean, moving_var, eps, momentum): # 通过 autograd 来判断当前模式为训练模式或预测模式。 if not autograd.is_training(): # 如果是在预测模式下，直接使用传入的移动平均所得的均值和方差。 X_hat = (X - moving_mean) / nd.sqrt(moving_var + eps) else: assert len(X.shape) in (2, 4) if len(X.shape) == 2: # 使用全连接层的情况，计算特征维上的均值和方差。 mean = X.mean(axis=0) var = ((X - mean) ** 2).mean(axis=0) else: # 使用二维卷积层的情况，计算通道维上（axis=1）的均值和方差。这里我们需要 # 保持 X 的形状以便后面可以做广播运算。 mean = X.mean(axis=(0, 2, 3), keepdims=True) var = ((X - mean) ** 2).mean(axis=(0, 2, 3), keepdims=True) # 训练模式下用当前的均值和方差做标准化。 X_hat = (X - mean) / nd.sqrt(var + eps) # 更新移动平均的均值和方差。 moving_mean = momentum * moving_mean + (1.0 - momentum) * mean moving_var = momentum * moving_var + (1.0 - momentum) * var Y = gamma * X_hat + beta # 拉升和偏移。 return Y, moving_mean, moving_var