批规范化层（BatchNorm层）是2015年Ioffe和Szegedy等人提出的想法，主要是为了加速神经网络的收敛过程以及提高训练过程中的稳定性。
虽然深度学习被证明有效，但它的训练过程始终需要经过精心调试，比如精心设置初始化参数、使用较小的学习率等。
Ioffe和Szegedy等人进行了详细的分析，并给出了BatchNorm方法，在很多实验中该方法均被证明非常有效。
首先介绍一下batch的概念：在使用卷积神经网络处理图像数据时，往往是几张图片（如32张、64张、128张等）被同时输入到网络中一起进行前向计算，误差也是将该batch中所有图片的误差累计起来一起回传。
BatchNorm方法其实就是对一个batch中的数据做了归一化。
BatchNorm不是为了防止梯度消失或者防止过拟合，其核心是通过对系统参数搜索空间进行约束来增加系统鲁棒性，这种约束压缩了搜索空间，约束也改善了系统的结构合理性，这会带来一系列的性能改善，比如加速收敛，保证梯度，缓解过拟合等。
批量规范化（Batch Normalization）方法，能大幅加速模型训练，同时保持预测准确率不降，因而被一些优秀模型采纳为标准模型层。
网友评论