神经网络Batch Normalization——学习笔记

训练神经网络的过程，就是在求未知参数（权重）。让网络搭建起来，得到理想的结果。

分类-监督学习。

反向传播求权重：每一层在算偏导数。局部梯度，链式法则。

激活函数：

sigmoid仅中间段趋势良好

对复杂的神经网络（累计），会出现梯度消失、梯度爆炸

训练网络是为了求权重；

反向传播方法，更新权重；

使用的是梯度来更新，如果梯度趋近于0，

sigmoid梯度最大才0.25。

Batch Normalization

BN解决了梯度消失同时保留非线性。

ICS现象（internel  shift）输入数据在每一层上分布发生了改变

神经网络初始输入要初始化，是为了落在梯度大的区间

随着网络的深入，数据落在

解决方法：移回去

一个神经网络可以解决问题最大的优势：非线性

sigmoid中，把shift移回去。中间部分类似线性了，和非线性初衷相悖。线性的网络表达能力特别差。
BN的高明之处，除了限定在一定标准差之内。拓展一下，还是以0为中心，拓宽。避免落在线性空间。
正态分布（均值影响中心位置，标准差sigma），通过控制参数来改变函数形状。

训练中直接训练BN的两个参数。

BN解决梯度消失，从而在深层网络中仍可以训练。

BN在网络中的位置：

但是层数深了还是无法避免梯度消失。

深度残差网络（Deep Residual Network ）

Residual Network通过引入Skip Connection到CNN网络结构中，使得网络深度达到了千层的规模，并且其对于CNN的性能有明显的提升

参考：Skip Connection为何有效及其它 - 张俊林的博客 https://blog.csdn.net/malefactor/article/details/67637785