Batch Normalization
论文地址：https://arxiv.org/pdf/1502.03167.pdf
概念解释
Batch Normalization 就是批归一化，就是对数据做标准化处理。
上图表示的意思是：
求每一个批次特征变量的均值和方差，再对之进行标准化。
Internal Covariate Shift
深度神经网络涉及到很多层的叠加，而每一层的参数更新会导致上层的输入数据分布发生变化，通过层层叠加，高层的输入分布变化会非常剧烈，这就使得高层需要不断去重新适应底层的参数更新。为了训好模型，我们需要非常谨慎地去设定学习率、初始化权重、以及尽可能细致的参数更新策略。
ICS会导致的问题：
每个神经元的输入数据不再是“独立同分布”。
- 上层参数需要不断适应新的输入数据分布，降低学习速度。
- 下层输入的变化可能趋向于变大或者变小，导致上层落入饱和区，使得学习过早停止。
- 每层的更新都会影响到其它层，因此每层的参数更新策略需要尽可能的谨慎
在将(X_i)送给神经元之前，先对其做平移和伸缩变换， 将(X_i)的分布规范化成在固定区间范围的标准分布。
