DeepLearning（基于caffe）优化策略（1）--Normalization篇：BN、WN、LN

        我们知道，深度学习是一种高性能的解决模式识别问题的模型算法，尤其是在计算机视觉方面，但随之而来的，对深度学习进行优化也成为了一个大家讨论的话题。这次总结的是三种深度学习的Normalization。

一、Batch Normalization

什么是Batch Normalization?

        即批标准化，和普通的标准化类似，是将数据进行归一化的操作，在网络（Network）中也属于一层操作。

为什么需要Batch Normalization?

        众所周知，深度学习中的学习率(Learning Rate)是我们需要调整的参数之一，学习率太高，会导致Loss值“爆炸”（所谓爆炸，就是loss值过于大，失去了其的意义）；学习率太小，Loss值一直处于平缓的状态，寻找一个合适的Rate，与你初始的学习率是有关的，如果初始的太大，会导致需要太多的时间，如果初始的太小，有可能错失了“最优参数”，于是BN算法就此诞生。

Batch Normalization的优点

        1.因为BN可以使得训练的速度飙升，所以就可以选择较大的初始学习率，它能够使得衰减的速度变快，从而得到“最优学习率”，再也不用慢慢的调整学习率了
        2.采用BN之后，你就可以移除dropout、L2正则项参数了，因为BN可以提高网络泛化的能力（有待以后去体会）
        3.不用再使用局部相应归一化层了，因为BN本身就是归一化操作

怎么使用Batch Normalization?

        具体操作如下：

        我们需要输入的是待归一化的Xi，最后我们得到的是BN之后的Xi



        特此说明：提出BN的大佬为了保持模型的表达能力，又增加了两个变量参数

        


Batch Normalization用在何处?

        一般情况下，用在非线性激活函数之前，或者非线性激活函数之后

如何在caffe中进行应用呢?

        在caffe中，BN被拆成两个文件（scale_layer.cpp和batch_normalization_layer.cpp）

        训练时，在deploy.prototxt中写如下代码：

layer{
bottom: "conv1"
top: "conv1"
name: "bn_conv1"
type: "BatchNorm"
batch_norm_param {
use_global_stats: false
}
}

layer{
bottom: "conv1"
top: "conv1"
name: "scale_conv1"
type: "Scale"
scale_param {
bias_term: false
}
}

        测试时，在deploy.prototxt中写如下代码：

layer{
bottom: "conv1"
top: "conv1"
name: "bn_conv1"
type: "BatchNorm"
batch_norm_param {
use_global_stats: true
}
}

layer{
bottom: "conv1"
top: "conv1"
name: "scale_conv1"
type: "Scale"
scale_param {
bias_term: false
}
}

二、Layer Normalization

什么是Layer Normalization?

         即层标准化，和普通的标准化类似，是将网络中的层进行归一化的操作。

为什么需要Layer Normalization?

        对于RNN模型来说，归一化的时候Batch Normalization不再适合，在RNN模型里，sequence的长度是不一致的，正是由于这种不一致的问题，导致BN使用起来效果不佳，借用网上的一句话，RNN的深度不是固定的，不同的time-step需要保存不同的statics特征，可能存在一个特殊的sequence比其sequence长，所以对sequence进行Batch
Normalization计算起来比较麻烦。于是乎，Layer Normalization登场了。

Layer Normalization的优点

        跟BN类似，也具有Normalization的优点，更适用于RNN模型

怎么使用Layer Normalization?

        我们需要明确的是LN是对层进行归一化的，但是也是对某一层所有的dataset进行归一化的。

        具体操作如下：

        一般的通式：



        针对RNN的公式：



        由此可见，LN中同层输入拥有相同的均值和方差，不同输入拥有不同的均值和方差；而BN是同一个minibatch中的输入拥有相同的均值和方差，而不同minibatch的输入拥有不同的均值和方差。

三、Weight Normalization

什么是Weight Normalization?

        即权重归一化，也就是对权重值进行归一化。

Weight Normalization的优点

        1.WN是通过重写深度网络的权重来进行加速的，没有引入对minibatch的依赖，更适合于RNN网络

        2.引入更少的噪声

        3.不需要额外的空间进行存储minibatch的均值和方差，对时间的开销也小，所以速度会更快