自动梯度求导：正向从下面数据往上走forward，但是你算backward时，是从上面往下传。问题：梯度在上面大，下面小（靠近数据位置）学习率是一个就是一个值，所以但是你下面层因为你梯度比较小，对你的权重的更新就比较少，那么你的问题就是说你的上面的东西会很快的，可能会收敛，下面东西会比较慢，那么导致一个问题是说每一次你更新下面的东西，上面就得重新训练。底层数据特征一般是局部边缘、纹理等，高层是语义信息特征。下面信息变化，上面就白学了。批量归一化引入背景：梯度问题：在深度神经网络中，正向传播从数据向上，反向传播从损失函数向下。由于梯度在传递中常是多个小数相乘，越靠近数据的层梯度越小，而学习率通常为固定值，导致上层梯度大更新快易收敛，下层梯度小更新慢，且下层变化会使上层需重新训练，进而导致收敛变慢。分布变化：不同层之间数据的方差和均值等分布会发生变化，影响学习的稳定性。批量归一化原理：基本思想：尝试固定一个小批量（mini - batch）在不同层不同位置数据的均值和方差，使分布相对稳定，便于学习细微变动。公式计算：对于小批量样本，先计算均值（对小批量样本求和除以批量大小），方差为样本减去均值的平方和加上一个小数（防止为 0）。批量归一化输出为对输入样本减去均值除以方差，再乘以可学习参数γ\gammaγ，加上可学习参数β\betaβ。上面很快收敛，下面靠近数据的不容易收敛μB=1∣B∣∑i∈BxiandσB2=1∣B∣∑i∈B(xi−μB)2+ϵ \mu_B = \frac{1}{|B|}\sum_{i\in B} x_i \quad \text{and} \quad \sigma_B^2 = \frac{1}{|B|}\sum_{i\in B} \left(x_i - \mu_B\right)^2 + \epsilonμB=∣B∣1i∈B∑xiandσB2
