神经网络中的批量归一化答案

【问题标题】：batch normalization in neural network神经网络中的批量归一化
【发布时间】：2015-07-10 20:03:08
【问题描述】：

我对 ANN 还是很陌生，我只是在阅读批量标准化论文 (http://arxiv.org/pdf/1502.03167.pdf)，但我不确定我是否了解他们在做什么（更重要的是，为什么它有效）

假设我有两层 L1 和 L2，其中 L1 产生输出并将它们发送到 L2 中的神经元。批量归一化只取 L1 的所有输出（即每个神经元的每个输出，得到一个全连接网络的|L1| X |L2| 数字的整体向量），将它们归一化为平均值为 0 和 SD 为 1，然后将它们喂给 L2 中各自的神经元（加上他们在论文中讨论的 gamma 和 beta 的线性变换）？

如果确实如此，这对 NN 有何帮助？常数分布有什么特别之处？

【问题讨论】：

标签： machine-learning neural-network normalization

【解决方案1】：

在网络的标准 SGD 训练期间，输入到隐藏层的分布会发生变化，因为它之前的隐藏层也在不断变化。这被称为协变量偏移，可能是一个问题；例如，参见here。

众所周知，如果训练数据被“白化”，即以每个分量具有高斯分布并且独立于其他分量的方式进行变换，神经网络的收敛速度会更快。参见论文中引用的论文 (LeCun et al., 1998b) 和 (Wiesler & Ney, 2011)。

作者的想法是现在不仅将这种白化应用于输入层，还应用于每个中间层的输入。在整个输入数据集上执行此操作太昂贵了，因此他们改为批量执行。他们声称这可以大大加快训练过程，也可以作为一种正则化。

【讨论】：