【AI知识点】批归一化（Batch Normalization）

更多AI知识点总结见我的专栏：【AI知识点】
AI论文精读、项目和一些个人思考见我另一专栏：【AI修炼之路】
有什么问题、批评和建议都非常欢迎交流，三人行必有我师焉😁

批归一化（Batch Normalization，BN） 是一种用于加速神经网络训练并提高模型稳定性的方法，通过在每一层对神经网络中的激活值进行标准化，使得每一层的输入保持在一个稳定的分布中，从而缓解梯度消失和梯度爆炸的问题，并加快训练过程。

---

1. 为什么需要批归一化？

在神经网络训练过程中，尤其是深度神经网络，层与层之间的参数不断更新，这导致网络中的每一层的输入分布会发生变化。这种现象被称为内部协变量偏移（Internal Covariate Shift）。它会导致训练变得更加困难，因为每一层的输入分布不稳定，会使得模型需要不断适应新的数据分布，从而影响模型的训练速度。

为了解决这个问题，批归一化被引入。批归一化通过将每一层的激活值标准化为均值为 0、方差为 1 的分布，使得每一层的输入数据保持相对稳定的分布，从而使得网络可以更快地学习和收敛。

---

2. 批归一化的基本步骤

批归一化的过程主要包括以下几个步骤：

1. 计算批次的均值：
   对于每一层的输入（例如激活值）$x$，计算其在当前 mini-batch 中的均值：
   $${\mu }_B=\frac{1}{m}\sum _{i=1}^m{x}_i$$
   其中 $m$ 是 mini-batch 的样本数量，$x_i$ 是第 $i$ 个样本的输入。

2. 计算批次的方差：
   接下来计算 mini-batch 中输入的方差：
   $${\sigma }_B^2=\frac{1}{m}\sum _{i=1}^m(x_i-{\mu }_B{)}^2$$

3. 对输入进行标准化：
   使用批次均值 ${\mu }_B$ 和方差 ${\sigma }_B^2$ 对每个输入 $x_i$ 进行标准化处理：
   $${\hat{x}}_i=\frac{x_i-{\mu }_B}{\sqrt{{\sigma }_B^2+ϵ}}$$
   其中，$ϵ$ 是一个很小的常数，用来避免除以零的情况。

4. 尺度变换和偏移：
   为了保持网络的表达能力，批归一化还会引入可学习的参数 $\gamma$ 和 $\beta$，用于对标准化后的结果进行线性变换：
   $$y_i=\gamma {\hat{x}}_i+\beta$$
   其中，$\gamma$ 是缩放参数，$\beta$ 是偏移参数。这一步保证了即使数据经过归一化后，网络仍然能够恢复原始的表示能力。

---

3. 批归一化的整体公式

结合上面几步，批归一化的整体公式可以表示为：
$$y_i=\gamma \cdot \frac{x_i-{\mu }_B}{\sqrt{{\sigma }_B^2+ϵ}}+\beta$$

在这个公式中，$x_i$ 是神经网络层中的输入，${\mu }_B$ 和 ${\sigma }_B^2$ 是当前 mini-batch 的均值和方差，$\gamma$ 和 $\beta$ 是可学习的参数，而 $ϵ$ 是一个防止除零的小常数。

---

4. 批归一化的位置

下图展示了批归一化在神经网络中的位置

图片来源：https://medium.com/@abheerchrome/batch-normalization-explained-1e78f7eb1e8a

下图对比了批归一化网络（Batch Normalized Network） 和标准神经网络（Standard Network） 在前向传播过程中的区别。

图片来源：https://gradientscience.org/batchnorm/

• $x$ 是输入特征，$W$ 是权重矩阵，$y=W\cdot x$ 是通过神经网络层（隐藏层）计算得到的线性输出（也就是未经过激活函数的输出）。
• 在标准网络中，这个 $y$ 直接用于损失计算 $\hat{\mathcal{L}}$ （或者进入激活函数），但在批归一化网络中，会先对 $y$ 进行标准化处理。批归一化后的值 $z$ 再用于损失计算 $\hat{\mathcal{L}}$（或者进入激活函数）。

---

5. 训练与测试时的区别

批归一化的行为在训练阶段和测试阶段是不同的：

• 训练阶段：每个 mini-batch 内的数据被标准化，使用 mini-batch 的均值和方差进行归一化。
• 测试阶段：由于测试时无法使用 mini-batch 的均值和方差（因为测试是单独进行的），因此在训练过程中，通常会维护一个全局的均值和方差（通过对所有 mini-batch 的均值和方差进行指数加权平均计算得出）。在测试时，使用这个全局均值和方差进行归一化，而不是使用单个 mini-batch 的均值和方差。

---

6. 批归一化的优点

• 加快收敛速度：批归一化能够稳定输入分布，从而加快模型的收敛速度。在实际应用中，批归一化常常使得模型在更少的迭代次数内达到同样甚至更好的效果。
• 缓解梯度消失/爆炸问题：通过将数据标准化，批归一化可以有效防止梯度消失或梯度爆炸的问题，这对于训练深层神经网络尤其重要。
• 允许使用更大的学习率：在梯度下降过程中，批归一化减少了权重更新的波动，因此可以使用更大的学习率，从而进一步加速模型的训练。
• 一定的正则化效果：在一定程度上，批归一化对每个 mini-batch 的操作引入了噪声，这种噪声类似于 Dropout 的作用，能够减少模型过拟合。

---

7. 批归一化的缺点

• 对小批量数据效果较差：批归一化依赖于 mini-batch 内的均值和方差。当 mini-batch 的大小较小时，均值和方差可能无法很好地代表整体数据分布，从而影响归一化效果。
• 引入额外的计算开销：批归一化会增加额外的计算量，特别是在进行大量卷积操作或多层网络时，这可能会对训练时间造成一定影响。
• 在某些模型中的表现不稳定：批归一化虽然通常提高了模型的稳定性，但在某些极端情况下，特别是序列模型（如 RNN）中，其表现可能不如其他正则化技术（如 Layer Normalization 和 Group Normalization）。

---

8. 批归一化和其变体的比较

图示

由于批归一化对小批量数据和序列模型效果不佳，一些变体技术被提出，下面这张图形象的解释了几种归一化方法的差别：

图片来源：https://arxiv.org/abs/1803.08494

这个图展示了四种不同的归一化方法在特征图张量上的操作方式。每个子图展示了一个三维的特征图张量，其中：

• N 代表 batch 维度（样本数量）；
• C 代表通道（channel）维度，每个通道代表一个特征；
• H, W 代表空间维度（即图像的高度和宽度）。

蓝色区域代表在归一化过程中使用相同均值和方差的像素点或区域，不同的归一化方法在归一化时对不同维度的数据进行标准化。

Batch Norm 批归一化：

• 在批次内所有样本的单个通道上进行归一化。
• 适用场景：适合大批量数据，适用于大多数神经网络模型，特别是在卷积神经网络（CNN）和全连接网络（FCN）中广泛使用。

Layer Norm 层归一化：

• 在单个样本的所有通道上归一化。
• 适用场景：适合变长序列模型。主要用于循环神经网络（RNN）、自注意力模型（如 Transformer）等序列模型。

Instance Norm 实例归一化：

• 在单个样本的单个通道上归一化。
• 适用场景：适合单样本输入的场景。主要用于图像生成任务，特别是在图像风格转换任务中效果较好。

Group Norm 组归一化：

• 在单个样本的多个通道（按照通道分组）上归一化。
• 适用场景：适合小批量数据。适用于卷积神经网络（CNN）中的小批量训练，以及 mini-batch 太小无法使用批归一化的情况。特别是在计算资源有限的情况下表现出色。

---

9. 批归一化的实际应用

在深度学习模型中，批归一化几乎已经成为标准组件之一。特别是在卷积神经网络（CNN）和全连接神经网络（FCNN）中，批归一化的使用能显著提高模型训练速度和性能。

常见的应用场景包括：

• 图像分类：批归一化常用于卷积层之后，以保证卷积输出的稳定性，避免梯度爆炸。这种应用显著提高了像 ResNet、VGG 等经典图像分类模型的训练速度和准确性。
• 生成对抗网络（GANs）：GAN 模型中的 Generator 和 Discriminator 都需要稳定训练，批归一化能帮助平衡两者的训练。
• 深度神经网络中的每一层：现代的神经网络模型几乎在每一层都使用批归一化。通常，批归一化会被放置在全连接层或卷积层之后，非线性激活函数之前。这种放置方式能最大程度地稳定激活值，防止模型在深度训练中失去学习能力。

---

10. 批归一化的总结

批归一化（Batch Normalization） 是一种重要的神经网络正则化方法，它通过标准化每一层的输入来加速神经网络的训练过程并提高模型的稳定性。其主要优势包括减少梯度消失和梯度爆炸、加快收敛速度，并提供一定的正则化效果，降低过拟合风险。批归一化在卷积神经网络和全连接神经网络中非常流行，几乎是现代深度学习模型中的标准组件。