BN的深度理解：https://www.cnblogs.com/guoyaohua/p/8724433.html
BN:
BN的意义：在激活函数之前将输入归一化到高斯分布，控制到激活函数的敏感区域，避免激活函数的梯度饱和导致梯度消失，增加学习效率
（1）加速收敛（2）控制过拟合，可以少用或不用Dropout和正则（3）降低网络对初始化权重不敏感（4）允许使用较大的学习率
上图中，左边的例子，损失函数对权重微小的变动（分类器旋转偏移）较为敏感，归一化后损失函数对权重微小的变动不那么敏感了 ，让网络学习变得更容易
一般在全连接或卷积层之后非线性层之前采用BN：
在完成批量归一化操作之后，需要进行额外的缩放操作：对常量γ及进行缩放，再用另一个β因子进行平移（相当于回复恒等函数，如果需要的话），如果网络需要可以学习缩放因子γ使之等于方差，学习β使之等于均值，
根据输入先求出mini—batch的均值和方差，减去均值除以方差得到高斯分布（实践中无需完全吻合），最后缩放和偏移
监视训练：
1.数据预处理，零均值化
2.选择网络结构
3.初始化网络，检查loss函数是否合理，检查正则化项
4.设置合理的学习率
超参数优化：
交叉验证
1