1、为什么需要BatchNormalization
网络训练开始后，参数会发生更新操作，除了输入层的数据外，后面每一层的输入数据都在发生着变化，前面层训练参数更新，后面层输入的数据分布必然变化，出现了covariate shift问题，可能会导致blow up和模型不准确的问题。
2、BatchNormalization怎么解决的
- 解决方法
针对一个batch的数据处理
- 求该batch的均值
- 求该batch的方差
- 使用均值和方差对数据做归一化获得0-1分布
- 于归一化后的数据基本会被限制在正态分布下，网络的表达能力下降，解决这一问题对数据进行尺度变化和偏移，γ表示为尺度因子和β为偏移因子。
3、BatchNormalization的好处
提高训练时的收敛速度，解决blow up问题