关于batch normalization的理解

套餐：卷积+BN+激活，原始的BN0=( X - E(X) ) / std，减去均值除以标准差，改进后的BN=γ*BN0 + β ，其中γ和β是通过模型学习得到的。

原因：

1、每次卷积完成后，数据分布会改变，与原始数据的分布出现偏差，不利于网络学习和收敛。

改进方法：

卷积后，加入BN层，使得数据的分布又回到了原始数据的分布，有利于模型训练。

新的问题：但是加入BN层之后，使得数据区间是[0-1]，经过激活函数sigmoid时候，数据区间接近于线性，使得模型很难学到非线性知识。

新的问题的解决方法：将BN乘以γ然后+β，而且这两个参数都是模型可以学习到的，这样一来就解决加入BN后线性问题。

应用：

参考论文：Learning Efficient Convolutional Networks through Network Slimming

原理：1、模型剪枝中，可以通过γ参数判断卷积层的每个通道的权重，将权重高的保存，权重低的去除，之后再进行训练。                                                                                                                              2、为了使得通道权重γ之间更具区分度，需要对γ进行L1正则，使得不同通道之间的γ区别较大。备注：L1正则是绝对值，可以进行稀疏与特征选择，L2正则是平方项，可以进行平滑特征。

Learning Efficient Convolutional Networks through Network Slimming