批量归一化和残差网络
1.由来：
由google2015年提出，深度神经网络训练的技巧，主要是让数据的分布变得一致，从而使得训练深层神经网络更加容易和稳定。
2.作用
BN的作用就是将这些输入值或卷积网络的张量进行类似标准化的操作，将其放缩到合适的范围，从而加快训练速度；另一方面使得每一层可以尽量面对同一特征分布的输入值，减少了变化带来的不确定性
3.操作阶段
4.操作流程
计算每一层深度的均值和方差
对每一层设置2个参数，γ和β。假设第1深度γ=2、β=3；第2深度γ=5、β=8。
使用缩放因子γ和移位因子β来执行此操作。
随着训练的进行，这些γ和β也通过反向传播学习以提高准确性。这就要求为每一层学习2个额外的参数来提高训练速度。
这个最终转换因此完成了批归一算法的定义。缩放和移位是算法比较关键，因为它提供了更多的灵活性。假设如果我们决定不使用BatchNorm，我们可以设置γ=σ和β= mean，从而返回原始值。
PS：γ和β也是待学习的参数，在网络学习的过程中会被更新