批量归一化
现在卷积神经网基本都是要使用到BN层的。BN层的思想不新，但是这个特定的层确实是最近几年才出来的，而且大家会发现效果很好。而且当大家要把网络做深的时候，这就是一个不可避免的层了。
梯度在上面的层会大，越往下面梯度会越来越小。
这就导致了一个很大的问题，就是上面的层梯度较大，那么权重更新比较快，也就是收敛的快；但是下面的层因为梯度小，所以参数更新的慢，收敛的慢。但是因为底部的层是抽取比较底层的特征，所以每次底层的参数一更新，高层的参数又需要重新训练（底层的信息一变，那么上面就白学了）。
批量归一化：我们能不能在学习底部的时候避免变化顶部层？
我们讲数值稳定性的时候，为什么参数会变？是因为不同层之间的方差和均值的整个分布会变化。
那么简单的办法是说，假设把分布给固定住，就不管那一层，输出也好，梯度也好，假设都符合某个分布，那么相对来说就会比较稳定。
BN的想法就是希望让层和层之间的分布保持一致。
批量的均值：
批量的方差：
这里最后加一个很小的值就是为避免其方差为0。
(x_{i+1})也就是下一层的输出，保持在和(x_i)在同一个分布，其中还有两个可以学习的参数(gamma,eta)，为什么要有这两个参数呢？因为如果均值为0，方差为1的效果不好的话，那么可以再将这个均值和方差进行调整。
可以看看下面添加了BN层和未添加BN层的效果，前者的震动幅度较大，后者一开始损失什么的基本就可以认为在“同一分布”。后者收敛的速度更快，或者换句话说，未添加BN层可能过多几个epoch（比如20个）也可以达到添加BN层少几个epoch（比如10个）的效果。
代码
首先是简洁实现
然后再是具体的实现代码
QA
- 在将xavier的时候，也讲过类似normalization的东西，和BN什么区别？
本质上没有区别，是一个思想。就是模型的参数稳定了，收敛就不会慢。
xavier初始化是说在初始的时候，选取和合适的初始化参数能够使得模型稳定，但是不能保证之后。BN层则是在训练的时候，在每一层都进行一次“归一化”。
- BN是不是和权重衰退的作用类似？
权重衰退可以认为是每次更新权重的时候都除了一个小值（就是不要让权重的变化范围太大）
但是BN却不会太多的影响前一层的权重。
- BN能用在MLP中吗？
可以的，但是如果网络不深的话其实作用不大。
一般都是网络较深的时候才会出现上层更新快，下层更新慢的问题。
也就是BN层一般用于深层网络，浅层的MLP加上BN效果不会见得很棒。
- 为什么使用了BN收敛时间会变短？
因为BN可以让梯度正大（就不会到底层的时候变的很小），那么就可以适当增大学习率，加速收敛。
- 训练时候如何对epoch，batch_size，lr的数值进行设置？
epoch数总是可以选择大一点是没有关系的，就是浪费点资源。
batch_size你要选到合适，不能选择太大，也不能选择太小，一般batch_size就调整到一个GPU效率比较高的情况。
lr是在batch_size后面在进行调整的。
- batch_size是把显存占满好？还是利用率gpu-tuil 100%就可以了？还是需要同时达到100%？
利用率不要到100%，到90%就可以了。
或者这么讲，你去增加batch_size，去看看GPU每秒中能处理的样本数，如果batch_size到一定程度没有增加每秒处理样本数的话，batch_size就可以停止了。
下图是LeNet训练fashion-mnist时候batch_size和每秒处理样本数的差别，可以看到，其实1024的时候是并行度最好的，因为再往上加到2048，其实并行效果并没用说成倍的增加。（而且batch_size也不是越大越好，小一点的batch_size可以增加模型的泛化能力，相当于就是加入了噪音）
