深度学习中Batch Normalization(BN)原理、作用浅析

最近做剪枝学习，其中一种是基于BN层的γ作为缩放因子进行剪枝的，那么我想搞懂BN的工作原理更好的理解网络、剪枝等，所以有了该文。

• 首先先说BN的作用在详细拆解，理解。以知乎一条高赞评论说明BN层到底在干什么。
  

Batch Norm 为什么有效

内部协变量偏移（Internal Covariate Shift）

• 其反映的问题就是源域与目标域存在偏差。在深度神经网络的训练过程中，随着网络层数的增加，前一层输出的分布会发生变化，这种变化通常会使得下一层的输入分布发生偏移，导致训练过程中的梯度下降变得不稳定，从而影响模型的收敛速度和性能。这种现象被称为“内部协变量偏移”。

• 内部协变量偏移，使得网络在训练时需要不断适应新的输入分布，这会消耗大量的计算资源并延长训练时间。而Batch Normalization（BN）层正是针对这一问题提出的解决方案。BN的核心思想是对每一层的输入进行归一化，使其均值为0，方差为1，从而减小输入数据的分布变化，使得网络在训练过程中能够更加稳定和高效地学习。

• 这就是协变量偏移的问题 — 模型输入的数据与之前训练的数据分布非常不同 — 即使新数据仍然符合相同的目标函数。

损失和梯度平滑

• 麻省理工学者质疑了解决协变量偏移是 Batch Norm 性能的原因的说法：论文
• BN有效的本质原因在于其能够使优化空间optimization landscape变得平滑,其他的Normalization方法，例如L1，L2，L无穷大，也可以起到和BN一样的效果
• 该论文提出，Batch Norm 所做的是通过改变网络权重的分布来大幅平滑损失情况。这意味着 gradient descent 可以自信地朝着某个方向迈出一步，因为它知道它不会在途中发现突然的中断。因此，它可以通过使用更大的学习率来采取更大的步骤。

Batch Normalization 的原理

BN 层的核心操作是在每一层的输入上进行归一化处理。具体来说，BN会对每一批次（mini-batch）的输入进行均值和方差的计算，然后使用这些统计量对输入进行归一化。归一化后的数据会被乘以一个可学习的缩放参数（gamma），并加上一个可学习的偏移参数（beta）。通过这种方式，BN不仅对输入进行了标准化处理，还通过学习到的参数对其进行了适当的尺度和位置调整，使得网络能够适应不同的数据分布。

数学上，BN操作可以表示为：

计算当前mini-batch所有样本的均值；计算当前mini-batch所有样本的方差；对当前mini-batch内每个样本用前面的均值和方差做归一化；对归一化后的样本，乘以一个缩放系数，再做一次平移；

• 可学习缩放参数γ、可学习偏移参数β
  • 𝛾是一个缩放因子，它对标准化后的数据进行线性变换，控制了数据的尺度。通过学习网络能够自动调整每一层输出的方差大小，以适应不同的数据分布。𝛽这是一个偏移因子，它对标准化后的数据加上一个常数，控制了数据的均值。通过学习网络能够调整每一层输出的均值，使其更适合特定任务的需求 。
  • 参数由网络学习得到， 每个 Batch Norm 层都能够以最佳方式找到适合自己的最佳因子，因此可以移动和缩放归一化值以获得最佳预测
  • 对标准化后的数据进行缩放和偏移。这一步骤是在标准化之后进行的，目的是使得网络能够恢复标准化过程中可能丢失的特征，避免标准化导致模型表达能力的下降
  • 对一些重要的通道会学习到较大的γ值，不重要的通道会学到接近于0的γ值，我认为这可能是另一篇网络剪枝论文的理论基础。

Batch Norm 的作用

Batch Norm 帮助模型更快地收敛并加快训练速度。它使训练对权重的初始化方式和超参数的精确调整不太敏感。
Batch Norm 可以使用更高的学习率。如果没有 Batch Norm，学习率必须保持较小，以防止较大的异常值梯度影响梯度下降。Batch Norm 有助于减少这些异常值的影响。
Batch Norm还减少了梯度对初始权重值的依赖性。由于权重是随机初始化的，因此训练早期阶段的异常值权重值可能会扭曲梯度。因此，网络收敛需要更长的时间。Batch Norm 有助于抑制这些异常值的影响。
提高模型的泛化能力（正则化作用）在一定程度上起到了正则化的作用，减少了过拟合的风险。由于每一批次的统计量是基于当前批次数据计算的，这种变化引入了微小的噪声，有助于提高模型的泛化能力。
标准化输入数据，减少内部协方差偏移
BN通过使每一层的激活值在训练过程中保持稳定，避免了大幅度的梯度波动，从而提高了网络训练的稳定性。每一层的输入分布在训练过程中几乎不变，有助于减少训练过程中梯度的剧烈波动。

Batch Norm 何时不适用？

Batch Norm 不适用于较小的批量。这会导致每个小批量的均值和方差中出现过多的噪声。有人提出的Group Normalization等方法可以改善这些问题
Batch Norm 不用于循环网络。每个时间步之后的激活具有不同的分布，因此对其应用 Batch Norm 是不切实际的。但提出的Layer Normalization等方法也可以适用于循环网络

总结

本文主要参考了

1. 部分内容翻译自Batch Norm Explained Visually — Why does it work?
2. 部分图像来自BN原理分析