数据的分布不稳定（不平均）会导致模型不收敛（特别是在数据不均匀时还用大的学习率），所以才会在制作数据集或者对数据集进行预处理时，调整数据分布，使数据分布均匀（比如：正负样本是均匀的，别存在数据集中百分之90都是正样本这种情况）。
标准化也可以应用在中间层中，也就是对feature map做处理，好处见第二个图。
下图为图二：
上图中个Xi冒后面的式子中加了个 一颗丝绒（一个极小值，哈哈哈没打出来）的原因是，避免分母为零。
上图问题的结果是a1和a2不一致，解决预测时使用BatchNorm出现同一样本预测结果不一致问题的方法见下图：
解决方案就是测试时不去管样本内的均值和方差，而是使用训练时保持好的。这样就保证了样本A无论跟谁去组batch，最终对A 的预测结果是一致的。
滚动平均：是上一轮的数和这一轮算出来的数做加权平均，得到新的数。这样一轮一轮滚动就叫滚动平均。