（六）Normalization

why

从图中可以看出，当输入太小或者太大的时候，函数的取值随着输入的变化几乎为0。这样就会发生梯度离散的情况，因此我们很有必要把输入控制在一个小一点的区间内。所以我们通过normalization操作，把输入的值等效变换在一个小一点的区间之内。我们假设变换后的值以0为均值，以$\sigma$为方差，即$N(0,{\sigma }^2)$。

应用

我们可以把这种方法应用在图像领域，叫做Image Normalization。我们把输入的像素值等效缩放在[0, 1]中，我们知道在这个区间内计算能很好逼近我们的最优解，所以对我们计算十分有利。

下面我们来看四种normalization：

这里简单介绍下，对于Batch Norm， 他会随着C的不同生成，N，H，W的均值，最后出现的就是不同C在其他三个量上的均值。

简而言之就是，随着C的不断变化，统计蓝色矩形的均值，生成的数的数量和C的值的数量一样。

下面我来看具体的计算过程：

下面是具体的Batch Normalization具体操作：

下面在PyTorch中进行实现：

从上面结果可以看出，使用Batch Normalization后收敛速度更快，并且能够得到更好的解，而且更加稳定。

ization后收敛速度更快，并且能够得到更好的解，而且更加稳定。