深度學習中 batchnorm 層是咋回事？

作者：Double_V_ 來源：CSDN 原文：https://blog.csdn.net/qq_25737169/article/details/79048516 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

作者：Double_V_ 來源：CSDN 原文：https://blog.csdn.net/qq_25737169/article/details/79048516 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

作者：Double_V_ 來源：CSDN 原文：https://blog.csdn.net/qq_25737169/article/details/79048516 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

作者：Double_V_ 來源：CSDN 原文：https://blog.csdn.net/qq_25737169/article/details/79048516 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

參考了這個博客， 博主寫的非常好     https://blog.csdn.net/qq_25737169/article/details/79048516

 

 

前言：Batchnorm是深度網絡中經常用到的加速神經網絡訓練，加速收斂速度及穩定性的算法，可以說是目前深度網絡必不可少的一部分。
本文旨在用通俗易懂的語言，對深度學習的常用算法–batchnorm的原理及其代碼實現做一個詳細的解讀。本文主要包括以下幾個部分。

 

第一節：Batchnorm主要解決的問題

---

首先，此部分也即是講為什么深度網絡會需要batchnormbatchnormbatchnorm，我們都知道，深度學習的話尤其是在CV上都需要對數據做歸一化，因為深度神經網絡主要就是為了學習訓練數據的分布，並在測試集上達到很好的泛化效果，但是，如果我們每一個batch輸入的數據都具有不同的分布，顯然會給網絡的訓練帶來困難。另一方面，數據經過一層層網絡計算后，其數據分布也在發生着變化，此現象稱為InternalInternalInternal CovariateCovariateCovariate ShiftShiftShift，接下來會詳細解釋，會給下一層的網絡學習帶來困難。batchnormbatchnormbatchnorm直譯過來就是批規范化，就是為了解決這個分布變化問題。

1.1 Internal Covariate Shift

Internal Covariate Shift ：此術語是google小組在論文BatchBatchBatch NormalizatoinNormalizatoinNormalizatoin 中提出來的，其主要描述的是：訓練深度網絡的時候經常發生訓練困難的問題，因為，每一次參數迭代更新后，上一層網絡的輸出數據經過這一層網絡計算后，數據的分布會發生變化，為下一層網絡的學習帶來困難（神經網絡本來就是要學習數據的分布，要是分布一直在變，學習就很難了），此現象稱之為InternalInternalInternal CovariateCovariateCovariate ShiftShiftShift。

Batch Normalizatoin 之前的解決方案就是使用較小的學習率，和小心的初始化參數，對數據做白化處理，但是顯然治標不治本。

1.2 covariate shift

Internal Covariate Shift 和CovariateShift具有相似性，但並不是一個東西，前者發生在神經網絡的內部，所以是Internal，后者發生在輸入數據上。Covariate Shift主要描述的是由於訓練數據和測試數據存在分布的差異性，給網絡的泛化性和訓練速度帶來了影響，我們經常使用的方法是做歸一化或者白化。想要直觀感受的話，看下圖：

 

Covariate Shift 就是描述的輸入數據分布不一致的現象，對數據做歸一化當然可以加快訓練速度，能對數據做去相關性，突出它們之間的分布相對差異就更好了。Batchnorm做到了，前文已說過，Batchnorm是歸一化的一種手段，極限來說，這種方式會減小圖像之間的絕對差異，突出相對差異，加快訓練速度。所以說，並不是在深度學習的所有領域都可以使用BatchNorm，下文會寫到其不適用的情況。

第二節：Batchnorm 原理解讀

---

本部分主要結合原論文部分，排除一些復雜的數學公式，對BatchNorm的原理做盡可能詳細的解釋。

之前就說過，為了減小Internal Covariate Shift，對神經網絡的每一層做歸一化不就可以了，假設將每一層輸出后的數據都歸一化到0均值，1方差，滿足正太分布，但是，此時有一個問題，每一層的數據分布都是標准正太分布，導致其完全學習不到輸入數據的特征，因為，費勁心思學習到的特征分布被歸一化了，因此，直接對每一層做歸一化顯然是不合理的。
但是如果稍作修改，加入可訓練的參數做歸一化，那就是BatchNorm實現的了，接下來結合下圖的偽代碼做詳細的分析：

之所以稱之為batchnorm是因為所norm的數據是一個batch的，

1.先求出此次批量數據xxx的均值
2.求出此次batch的方差
3.接下來就是對xxx做歸一化
4.最重要的一步，引入縮放和平移變量 ,計算歸一化后的值

接下來詳細介紹一下這額外的兩個參數，之前也說過如果直接做歸一化不做其他處理，神經網絡是學不到任何東西的，但是加入這兩個參數后，事情就不一樣了，先考慮特殊情況下，如果γ和β分別等於此batch的標准差和均值，那么yi不就還原到歸一化前的x了嗎，也即是縮放平移到了歸一化前的分布，相當於batchnormbatchnormbatchnorm沒有起作用，$ β$ 和γγγ分別稱之為 平移參數和縮放參數 。這樣就保證了每一次數據經過歸一化后還保留的有學習來的特征，同時又能完成歸一化這個操作，加速訓練。

 

第四節：Batchnorm的優點

主要部分說完了，接下來對BatchNorm做一個總結：

• 沒有它之前，需要小心的調整學習率和權重初始化，但是有了BN可以放心的使用大學習率，但是使用了BN，就不用小心的調參了，較大的學習率極大的提高了學習速度，
• Batchnorm本身上也是一種正則的方式，可以代替其他正則方式如dropout等
• 另外，個人認為，batchnorm降低了數據之間的絕對差異，有一個去相關的性質，更多的考慮相對差異性，因此在分類任務上具有更好的效果。

注：或許大家都知道了，韓國團隊在2017NTIRE圖像超分辨率中取得了top1的成績，主要原因竟是去掉了網絡中的batchnorm層，由此可見，BN並不是適用於所有任務的，在image-to-image這樣的任務中，尤其是超分辨率上，圖像的絕對差異顯得尤為重要，所以batchnorm的scale並不適合。

 

作者：Double_V_ 來源：CSDN 原文：https://blog.csdn.net/qq_25737169/article/details/79048516 版權聲明：本文為博主原創文章，轉載請附上博文鏈接！