Batch Norm 拟合进神经网络（Fitting Batch Norm into a neural network）
你已经看到那些等式，它可以在单一隐藏层进行Batch归一化，接下来，让我们看看它是怎样在深度网络训练中拟合的吧。
假设你有一个这样的神经网络，我之前说过，你可以认为每个单元负责计算两件事。
第一，它先计算z，然后应用其到激活函数中再计算a，所以我可以认为，每个圆圈代表着两步的计算过程。
同样的，对于下一层而言，那就是z_1^([2])和a_1^([2])等。
所以如果你没有应用Batch归一化，你会把输入X拟合到第一隐藏层，然后首先计算z^([1])，这是由w^([1])和b^([1])两个参数控制的。
接着，通常而言，你会把z^([1])拟合到激活函数以计算a^([1])。
但Batch归一化的做法是将z^([1])值进行Batch归一化，简称BN，此过程将由β^([1])和γ^([1])两参数控制，这一操作会给你一个新的规范化的z^([1])值（̃z^([1])），然后将其输入激活函数中得到a^([1])，即a^([1])=g^([1]) (̃z^([l]))。
现在，你已在第一层进行了计算，此时Batch归一化发生在z的计算和a之间，接下来，你需要应用a^([1])值来计算z^([2])，此过程是由w^([2])和b^([2])控制的。
与你在第一层所做的类似，你会将z^([2])进行Batch归一化，现在我们简称BN，这是由下一层的Batch归一化参数所管制的，即β^([2])和γ^([2])，现在你得到̃z^([2])，再通过激活函数计算出a^([2])等等。
所以需要强调的是Batch归一化是发生在计算z和a之间的。
直觉就是，与其应用没有归一化的z值，不如用归一过的̃z，这是第一层（̃z^([1])）。
第二层同理，与其应用没有规范过的z^([2])值，不如用经过方差和均值归一后的̃z^([2])。
所以，你网络的参数就会是w^([1])，b^([1])，w^([2])和b^([2])等等，我们将要去掉这些参数。但现在，想象参数w^([1])，b^([1])到w^([l])，b^([l])，我们将另一些参数加入到此新网络中β^([1])，β^([2])，γ^([1])，γ^([2])等等。
对于应用Batch归一化的每一层而言。需要澄清的是，请注意，这里的这些β（β^([1])，β^([2])等等）和超参数β没有任何关系，后面会解释原因，后者是用于Momentum或计算各个指数的加权平均值。
Adam论文的作者，在论文里用β代表超参数。Batch归一化论文的作者，则使用β代表此参数（β^([1])，β^([2])等等），但这是两个完全不同的β。我在两种情况下都决定使用β，以便你阅读那些原创的论文，但Batch归一化学习参数β^([1])，β^[2] 等等和用于Momentum、Adam、RMSprop算法中的β不同。
所以现在，这是你算法的新参数，接下来你可以使用想用的任何一种优化算法，比如使用梯度下降法来执行它。
举个例子，对于给定层，你会计算dβ^([l])，接着更新参数β为β^([l])=β^([l])-αdβ^([l])。你也可以使用Adam或RMSprop或Momentum，以更新参数β和γ，并不是只应用梯度下降法。
即使在之前的笔记中，已经解释过Batch归一化是怎么操作的，计算均值和方差，减去均值，再除以方差，如果它们使用的是深度学习编程框架，通常你不必自己把Batch归一化步骤应用于Batch归一化层。
因此，探究框架，可写成一行代码，比如说，在TensorFlow框架中，你可以用这个函数（tf.nn.batch_normalization）来实现Batch归一化，我们稍后讲解，但实践中，你不必自己操作所有这些具体的细节，但知道它是如何作用的，你可以更好的理解代码的作用。但在深度学习框架中，Batch归一化的过程，经常是类似一行代码的东西。(这些框架是个好东西，要知道里面咋么用的，其实就很简单了，这里是概念培养）
所以，到目前为止，我们已经讲了Batch归一化，就像你在整个训练站点上训练一样，或就像你正在使用Batch梯度下降法。
实践中，Batch归一化通常和训练集的mini-batch一起使用。
你应用Batch归一化的方式就是，你用第一个mini-batch(X^({1}))，然后计算z^([1])，这和上张幻灯片上我们所做的一样，应用参数w^([1])和b^([1])，使用这个mini-batch(X^({1}))。接着，继续第二个mini-batch(X^({2}))，接着Batch归一化会减去均值，除以标准差，由β^([1])和γ^([1])重新缩放，这样就得到了̃z^([1])，而所有的这些都是在第一个mini-batch的基础上，你再应用激活函数得到a^([1])。然后用w^([2])和b^([2])计算z^([2])，等等，所以你做的这一切都是为了在第一个mini-batch(X^({1}))上进行一步梯度下降法。
类似的工作，你会在第二个mini-batch（X^{2} ）上计算z^([1])，然后用Batch归一化来计算̃z^([1])，所以Batch归一化的此步中，你用第二个mini-batch（X^{2} ）中的数据使̃z^([1])归一化，这里的Batch归一化步骤也是如此，让我们来看看在第二个mini-batch（X^{2} ）中的例子，在mini-batch上计算z^([1])的均值和方差，重新缩放的β和γ得到z^([1])，等等。
然后在第三个mini-batch（X^{3} ）上同样这样做，继续训练。
现在，我想澄清一个参数的一个细节。
先前我说过每层的参数是w^([l])和b^([l])，还有β^([l])和γ^([l])，请注意计算z的方式如下，z^([l])=w^([l]) a^[l-1] +b^([l])，但Batch归一化做的是，它要看这个mini-batch，先将z^([l])归一化，结果为均值0和标准方差，再由β和γ重缩放，但这意味着，无论b^([l])的值是多少，都是要被减去的，因为在Batch归一化的过程中，你要计算z^([l])的均值，再减去平均值，在此例中的mini-batch中增加任何常数，数值都不会改变，因为加上的任何常数都将会被均值减去所抵消。
所以，如果你在使用Batch归一化，其实你可以消除这个参数（b^([l])），或者你也可以，暂时把它设置为0，那么，参数变成z^([l])=w^([l]) a^[l-1] ，然后你计算归一化的z^([l])，̃z^([l])=γ^([l]) z^([l])+β^([l])，你最后会用参数β^([l])，以便决定̃z^([l])的取值，这就是原因。
所以总结一下，因为Batch归一化超过了此层z^([l])的均值，b^([l])这个参数没有意义，所以，你必须去掉它，由β^([l])代替，这是个控制参数，会影响转移或偏置条件。
最后，请记住z^([l])的维数，因为在这个例子中，维数会是(n^([l]),1)，b^([l])的尺寸为(n^([l]),1)，如果是l层隐藏单元的数量，那β^([l])和γ^([l])的维度也是(n^([l]),1)，因为这是你隐藏层的数量，你有n^([l])隐藏单元，所以β^([l])和γ^([l])用来将每个隐藏层的均值和方差缩放为网络想要的值。
让我们总结一下关于如何用Batch归一化来应用梯度下降法，假设你在使用mini-batch梯度下降法，你运行t=1到batch数量的for循环，你会在mini-batch X^{t} 上应用正向prop，每个隐藏层都应用正向prop，用Batch归一化代替z^([l])为̃z^([l])。
接下来，它确保在这个mini-batch中，z值有归一化的均值和方差，归一化均值和方差后是̃z^([l])，然后，你用反向prop计算dw^([l])和db^([l])，及所有l层所有的参数，dβ^([l])和dγ^([l])。尽管严格来说，因为你要去掉b，这部分其实已经去掉了。
最后，你更新这些参数：w^([l])=w^([l])-αdw^([l])，和以前一样，β^([l])=β^([l])-αdβ^([l])，对于γ也是如此γ^([l])=γ^([l])-αdγ^([l])。
如果你已将梯度计算如下，你就可以使用梯度下降法了，这就是我写到这里的，但也适用于有Momentum、RMSprop、Adam的梯度下降法。
与其使用梯度下降法更新mini-batch，你可以使用这些其它算法来更新，我们在之前一些笔记中讨论过的，也可以应用其它的一些优化算法来更新由Batch归一化添加到算法中的β 和γ 参数。
我希望，你能学会如何从头开始应用Batch归一化，如果你想的话。
如果你使用深度学习编程框架之一，我们之后会谈。希望你可以直接调用别人的编程框架，这会使Batch归一化的使用变得很容易（其实学会了之后，一般都是这么用的，没有人会自己去推导着写）。
现在，以防Batch归一化仍然看起来有些神秘，尤其是你还不清楚为什么其能如此显著的加速训练，我们进入下一个笔记，详细讨论Batch归一化为何效果如此显著，它到底在做什么。
