Batch Normalization確實是深度學(xué)習(xí)領(lǐng)域的重大突破之一，也是近年來研究人員討論的熱點之一。Batch Normalization是一種被廣泛采用的技術(shù)，使訓(xùn)練更加快速和穩(wěn)定，已成為最有影響力的方法之一。然而，盡管它具有多種功能，但仍有一些地方阻礙了該方法的發(fā)展，正如我們將在本文中討論的那樣，這表明做歸一化的方法仍有改進(jìn)的余地。

我們?yōu)槭裁匆肂atch Normalization?

在討論任何事情之前，首先，我們應(yīng)該知道Batch Normalization是什么，它是如何工作的，并討論它的用例。

什么是Batch Normalization

在訓(xùn)練過程中，當(dāng)我們更新之前的權(quán)值時，每個中間激活層的輸出分布會在每次迭代時發(fā)生變化。這種現(xiàn)象稱為內(nèi)部協(xié)變量移位(ICS)。所以很自然的一件事，如果我想防止這種情況發(fā)生，就是修正所有的分布。簡單地說，如果我的分布變動了，我會限制住這個分布，不讓它移動，以幫助梯度優(yōu)化和防止梯度消失，這將幫助我的神經(jīng)網(wǎng)絡(luò)訓(xùn)練更快。因此減少這種內(nèi)部協(xié)變量位移是推動batch normalization發(fā)展的關(guān)鍵原則。

它如何工作

Batch Normalization通過在batch上減去經(jīng)驗平均值除以經(jīng)驗標(biāo)準(zhǔn)差來對前一個輸出層的輸出進(jìn)行歸一化。這將使數(shù)據(jù)看起來像高斯分布。

其中μ和*σ^2^*分別為批均值和批方差。

并且，我們學(xué)習(xí)了一個新的平均值和協(xié)方差γ和β。所以，簡而言之，你可以認(rèn)為batch normalization是幫助你控制batch分布的一階和二階動量。

優(yōu)點

我將列舉使用batch normalization的一些好處，但是我不會詳細(xì)介紹，因為已經(jīng)有很多文章討論了這個問題。

• 更快的收斂。
• 降低初始權(quán)重的重要性。
• 魯棒的超參數(shù)。
• 需要較少的數(shù)據(jù)進(jìn)行泛化。

Batch Normalization的詛咒

好，讓我們回到本文的出發(fā)點，在許多情況下batch normalization開始傷害性能或根本不起作用。

在使用小batch size的時候不穩(wěn)定

如上所述，batch normalization必須計算平均值和方差，以便在batch中對之前的輸出進(jìn)行歸一化。如果batch大小比較大的話，這種統(tǒng)計估計是比較準(zhǔn)確的，而隨著batch大小的減少，估計的準(zhǔn)確性持續(xù)減小。

以上是ResNet-50的驗證錯誤圖。可以推斷，如果batch大小保持為32，它的最終驗證誤差在23左右，并且隨著batch大小的減小，誤差會繼續(xù)減小(batch大小不能為1，因為它本身就是平均值)。損失有很大的不同(大約10%)。

如果batch大小是一個問題，為什么我們不使用更大的batch？我們不能在每種情況下都使用更大的batch。在finetune的時候，我們不能使用大的batch，以免過高的梯度對模型造成傷害。在分布式訓(xùn)練的時候，大的batch最終將作為一組小batch分布在各個實例中。

導(dǎo)致訓(xùn)練時間的增加

NVIDIA和卡耐基梅隆大學(xué)進(jìn)行的實驗結(jié)果表明，“盡管Batch Normalization不是計算密集型，而且收斂所需的總迭代次數(shù)也減少了。”但是每個迭代的時間顯著增加了，而且還隨著batch大小的增加而進(jìn)一步增加。

你可以看到，batch normalization消耗了總訓(xùn)練時間的1/4。原因是batch normalization需要通過輸入數(shù)據(jù)進(jìn)行兩次迭代，一次用于計算batch統(tǒng)計信息，另一次用于歸一化輸出。

訓(xùn)練和推理時不一樣的結(jié)果

例如，在真實世界中做“物體檢測”。在訓(xùn)練一個物體檢測器時，我們通常使用大batch(YOLOv4和Faster-RCNN都是在默認(rèn)batch大小= 64的情況下訓(xùn)練的)。但在投入生產(chǎn)后，這些模型的工作并不像訓(xùn)練時那么好。這是因為它們接受的是大batch的訓(xùn)練，而在實時情況下，它們的batch大小等于1，因為它必須一幀幀處理。考慮到這個限制，一些實現(xiàn)傾向于基于訓(xùn)練集上使用預(yù)先計算的平均值和方差。另一種可能是基于你的測試集分布計算平均值和方差值。

對于在線學(xué)習(xí)不好

與batch學(xué)習(xí)相比，在線學(xué)習(xí)是一種學(xué)習(xí)技術(shù)，在這種技術(shù)中，系統(tǒng)通過依次向其提供數(shù)據(jù)實例來逐步接受訓(xùn)練，可以是單獨的，也可以是通過稱為mini-batch的小組進(jìn)行。每個學(xué)習(xí)步驟都是快速和便宜的，所以系統(tǒng)可以在新的數(shù)據(jù)到達(dá)時實時學(xué)習(xí)。

由于它依賴于外部數(shù)據(jù)源，數(shù)據(jù)可能單獨或批量到達(dá)。由于每次迭代中batch大小的變化，對輸入數(shù)據(jù)的尺度和偏移的泛化能力不好，最終影響了性能。

對于循環(huán)神經(jīng)網(wǎng)絡(luò)不好

雖然batch normalization可以顯著提高卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和泛化速度，但它們很難應(yīng)用于遞歸結(jié)構(gòu)。batch normalization可以應(yīng)用于RNN堆棧之間，其中歸一化是“垂直”應(yīng)用的，即每個RNN的輸出。但是它不能“水平地”應(yīng)用，例如在時間步之間，因為它會因為重復(fù)的重新縮放而產(chǎn)生爆炸性的梯度而傷害到訓(xùn)練。

[^注]: 一些研究實驗表明，batch normalization使得神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)對抗漏洞，但我們沒有放入這一點，因為缺乏研究和證據(jù)。

可替換的方法

這就是使用batch normalization的一些缺點。在batch normalization無法很好工作的情況下，有幾種替代方法。

• Layer Normalization
• Instance Normalization
• Group Normalization (+ weight standardization)
• Synchronous Batch Normalization

總結(jié)

所以，看起來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)很簡單，但我不認(rèn)為它很容易。從這個意義上說，我可以選擇的架構(gòu)很少，每個模型都有固定的學(xué)習(xí)速度，固定的優(yōu)化器和固定的技巧。這些技巧是通過自然選擇選擇的，就像有人想出了一些技巧，人們引入之后如果有效，就會保留，如果無效，人們最終會忘記，并沒有人再去使用它。除此之外，batch normalization是深度學(xué)習(xí)發(fā)展中的一個里程碑技術(shù)。然而，正如前面所討論的，沿著batch 維度進(jìn)行歸一化引入了一些問題，這表明歸一化技術(shù)仍有改進(jìn)的空間。