概述
批量归一化是一种在训练期间重新调整神经网络每一层的输入的技术，使深度网络训练更快、更可靠。它成为深度学习中最广泛使用的技巧之一。
批量归一化是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
当数据流经深层网络时，随着早期层的更新，每层的值分布不断变化，这会减慢训练速度并不稳定。 Ioffe 和 Szegedy 在 2015 年引入的批量归一化通过对当前小批量中每个层的输入进行归一化来解决这个问题，使它们的均值和单位方差大致为零。然后，它应用两个可学习的参数：gamma 和 beta，让网络可以缩放并将归一化值移回（如果有帮助的话），因此它不会失去表征能力。回报是巨大的：网络可以容忍更高的学习率，在更少的时期内收敛，对权重初始化不太敏感，并且通常泛化得更好一些。问题是行为取决于批次统计数据，因此非常小的批次可能会使其不稳定。
技术洞察
对于小批量中的每个特征，批量归一化计算批量均值和方差，减去均值，然后除以标准差（加上一个小 epsilon 以确保稳定性）。然后，它输出伽玛乘以归一化值加上贝塔，其中伽玛和贝塔是学习的。在训练过程中，它使用实时批次统计数据，同时保持运行平均值；在推理时，它会切换到那些存储的运行平均值，因此预测不依赖于哪些其他示例碰巧共享批次。它通常插入层的线性步骤及其激活函数之间。
掌握批量归一化
批量归一化是一种在训练期间重新调整神经网络每一层的输入的技术，使深度网络训练更快、更可靠。它成为深度学习中最广泛使用的技巧之一。批量归一化是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将批量归一化视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用批量归一化的强大团队可以根据可靠性和成本来优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在 ResNet 图像分类器中插入批归一化层，使其能够以更高的学习率进行训练并在更少的迭代时间内收敛。
稳定之前未经归一化而出现分歧的医学成像深度卷积网络的训练。
降低自定义 CNN 中权重初始化的敏感性，因此工程师可以减少手动调整起始值的时间。
部署模型时从训练模式批量统计切换到存储的运行平均值，以便单图像预测保持一致。
实施模式
批量归一化实践
在 ResNet 图像分类器中插入批归一化层，使其能够以更高的学习率进行训练并在更少的迭代时间内收敛。
在 ResNet 图像分类器中插入批量归一化层，使其能够以更高的学习率进行训练，并在更少的 epoch 内收敛。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
批量归一化实践
稳定之前未经归一化而出现分歧的医学成像深度卷积网络的训练。
稳定用于医学成像的深度卷积网络的训练，这些网络以前在没有标准化的情况下会出现分歧。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会得到更好的结果。
批量归一化实践
降低自定义 CNN 中权重初始化的敏感性，因此工程师可以减少手动调整起始值的时间。
降低自定义 CNN 中对权重初始化的敏感度，因此工程师可以减少手动调整起始值的时间。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
批量归一化实践
部署模型时从训练模式批量统计切换到存储的运行平均值，以便单图像预测保持一致。
在部署模型时从训练模式批量统计数据切换到存储的运行平均值，以便单图像预测保持一致当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。