Google在ICML文中描述得非常清晰，即在每次SGD时，通过mini-batch来对相应的activation做标准化操作，使得结果（输出信号各个维度）的均值为0，方差为1。而最后的“scale and shift”操作则是为了让因训练所需而“刻意”加入的BN能够有可能还原最初的输入，从而保证整个network的capacity（非线性、表达能力）。

为什么深度神经网络随着网络深度加深，训练起来越困难，收敛越来越慢？这是个在DL领域很接近本质的好问题。很多论文都是解决这个问题的，比如ReLU激活函数，再比如Residual Network，BN本质上也是解释并从某个不同的角度来解决这个问题的。

BN是用来解决“Internal Covariate Shift”（内部协变量偏移）问题的，对于深度学习这种包含很多隐层的网络结构，在训练过程中因为各层参数不停在变化，所以每个隐层都会面临covariate shift的问题，也就是在训练过程中，隐层的输入分布老是变来变去。所以，“Covariate Shift”可以理解为，如果ML系统实例集合<X,Y>中的输入值X的分布老是变，这不符合IID假设，网络模型很难稳定的学规律。所谓的“Internal Covariate Shift”，Internal指的是深层网络的隐层，是发生在网络内部的事情，而不是covariate shift问题只发生在输入层。深层神经网络在做非线性变换前的激活输入值（x2=Wx1+B，x1是输入）随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，整体分布逐渐往非线性函数的取值区间的上下限两端靠近（对于Sigmoid函数来说，意味着激活输入值Wx1+B是大的负值或正值，其梯度接近0），所以这导致反向传播时低层神经网络的梯度消失。

NOTE：其实对于Sigmoid激活函数，其导数在(0,0.25)，多个相乘的值越来越接近0，即使整体分布不往非线性函数的取值区间的上下限两端靠近，本身就很容易造成梯度消失。

BN的想法产生于白化思想，就是对输入数据分布变换到均值为0，方差为1（也可能不是1）的正态（高斯）分布——那么神经网络会较快收敛。其实对于深度网络来说，其中某个隐层的神经元是下一层的输入，意思是深度神经网络的每一个隐层都是输入层，不过是相对下一层来说而已。

基本思想：通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0，方差为1（或其它）的正态分布。可以看下面两个图：

如果对于每层的输入x服从正态分布，那么95%的值落在[-2,2]的范围内，对于激活函数sigmoid(x)在这个区间的导数不会接近于0，即梯度不会为0，这样的区域也被称为梯度非饱和区 。经过BN后，目前大部分的值落入非线性激活函数的线性区内（sigmoid函数自变量靠近0的范围内），这样来加速训练收敛过程，不会造成梯度消失问题。

NOTE：仔细想一下，当整体分布被强行拉到均值为0，方差为1时，会有什么问题呢？？？虽然避免了梯度接近0的情况，解决了梯度消失问题，但是这个操作会削弱模型的非线性能力，也就是标准化使特征数据完全满足正态分布，数据集中在sigmoid激活函数的线性区域。

要对每个隐层神经元的输出做BN，可以想象成每个隐层后又加上了一层BN操作层，它位于X2=W1+B线性变换之后，非线性激活函数变换之前，其图示如下：（比如在卷积神经网络中，BN位于卷积操作和激活函数之间）

目前BN主要分为四种（最后一种是最近提出来的）：

前面说过，经过这个变换后某个神经元的激活x形成了均值为0，方差为1的正态分布，目的是把值往后续要进行的非线性变换的线性区拉动，增大导数值，增强反向传播信息流动性，加快训练收敛速度。但是这样会导致网络表达能力下降（即削弱了模型的非线性能力），为了防止这一点，每个神经元增加两个调节参数（scale和shift），这两个参数是通过训练来学习到的，用来对变换后的激活反变换，使得网络表达能力增强，即对变换后的激活进行如下的scale（参数被称为缩放因子）和shift（参数被称为偏移因子）操作，这其实是变换的反操作：

TensorFlow2代码实现：

class Baseline(Model):
    def __init__(self):
        super(Baseline, self).__init__()
        self.c1 = Conv2D(filters=6, kernel_size=(5, 5), padding='same')  # 卷积层
        self.b1 = BatchNormalization()  # BN层
        self.a1 = Activation('relu')  # 激活层
        self.p1 = MaxPool2D(pool_size=(2, 2), strides=2, padding='same')  # 池化层
        self.d1 = Dropout(0.2)  # dropout层

        self.flatten = Flatten()
        self.f1 = Dense(128, activation='relu')
        self.d2 = Dropout(0.2)
        self.f2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.c1(x)
        x = self.b1(x)
        x = self.a1(x)
        x = self.p1(x)
        x = self.d1(x)

        x = self.flatten(x)
        x = self.f1(x)
        x = self.d2(x)
        y = self.f2(x)
        return y
        
model = Baseline()

优点：

• 不仅仅极大提升了训练速度，收敛过程大大加快；
• 还能增加分类效果，一种解释是这是类似于Dropout的一种防止过拟合的正则化表达方式，所以不用Dropout也能达到相当的效果；
• 另外调参过程也简单多了，对于初始化要求没那么高，而且可以使用大的学习率等。
• 同时引入的 随机噪声 能够起到对模型参数进行 正则化 的作用，有利于增强模型泛化能力。

不足：

• 如果 Batch Size 太小，则 BN 效果明显下降。因为在小的 BatchSize意味着数据样本少，因而得不到有效统计量，也就是说噪音太大；
• 对于有些像素级图片生成任务来说，BN 效果不佳；对于图片分类等任务，只要能够找出关键特征，就能正确分类，这算是一种粗粒度的任务，因为在Mini-Batch 内多张无关的图片之间计算统计量，弱化了单张图片本身特有的一些细节信息；
• RNN 等动态网络使用 BN 效果不佳且使用起来不方便；
• 训练时和推理时统计量不一致。

一些讨论：

就目前来看，争议的重点在于归一化的位置，还有gamma与beta参数的引入，从理论上分析，论文中的这两个细节实际上并不符合ReLU的特性：ReLU后，数据分布重新回到第一象限，这时是最应当进行归一化的；gamma与beta对sigmoid函数确实能起到一定的作用（实际也不如固定gamma=2），但对于ReLU这种分段线性的激活函数，并不存在sigmoid的低scale呈线性的现象。
有一篇论文否定了BN是改善 内部协变量偏移（Internal Covariate Shift） 的观点，参考论文How Does Batch Normalization Help Optimization?