當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

BN究竟起了什么作用？一个闭门造车的分析

發布時間：2024/10/8 编程问答 34 豆豆

生活随笔收集整理的這篇文章主要介紹了 BN究竟起了什么作用？一个闭门造车的分析小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

作者丨蘇劍林

單位丨追一科技

研究方向丨NLP，神經網絡

個人主頁丨kexue.fm

BN，也就是 Batch Normalization [1]，是當前深度學習模型（尤其是視覺相關模型）的一個相當重要的技巧，它能加速訓練，甚至有一定的抗過擬合作用，還允許我們用更大的學習率，總的來說頗多好處（前提是你跑得起較大的 batch size）。?

那BN究竟是怎么起作用呢？早期的解釋主要是基于概率分布的，大概意思是將每一層的輸入分布都歸一化到 N (0, 1) 上，減少了所謂的 Internal Covariate Shift，從而穩定乃至加速了訓練。這種解釋看上去沒什么毛病，但細思之下其實有問題的：不管哪一層的輸入都不可能嚴格滿足正態分布，從而單純地將均值方差標準化無法實現標準分布 N (0, 1) ；其次，就算能做到 N (0, 1) ，這種詮釋也無法進一步解釋其他歸一化手段（如 Instance Normalization、Layer Normalization）起作用的原因。?

在去年的論文 How Does Batch Normalization Help Optimization? [2] 里邊，作者明確地提出了上述質疑，否定了原來的一些觀點，并提出了自己關于 BN 的新理解：他們認為 BN 主要作用是使得整個損失函數的 landscape 更為平滑，從而使得我們可以更平穩地進行訓練。?

本文主要也是分享這篇論文的結論，但論述方法是筆者“閉門造車”地構思的。竊認為原論文的論述過于晦澀了，尤其是數學部分太不好理解，所以本文試圖盡可能直觀地表達同樣觀點。?

閱讀本文之前，請確保你已經清楚知道 BN 是什么，本文不再重復介紹 BN 的概念和流程。

一些基礎結論

在這部分內容中我們先給出一個核心的不等式，繼而推導梯度下降，并得到一些關于模型訓練的基本結論，為后面 BN 的分析鋪墊。?

核心不等式

假設函數 f(θ) 的梯度滿足 Lipschitz 約束（ L 約束），即存在常數 L 使得下述恒成立：

那么我們有如下不等式：

證明并不難，定義輔助函數 f(θ+tΔθ), t∈[0,1]，然后直接得到：

梯度下降

假設 f(θ) 是損失函數，而我們的目標是最小化 f(θ)，那么這個不等式告訴我們很多信息。首先，既然是最小化，自然是希望每一步都在下降，即 f(θ+Δθ)<f(θ)，而必然是非負的，所以要想下降的唯一選擇就是，這樣一個自然的選擇就是：

這里 η>0 是一個標量，即學習率。

可以發現，式 (4) 就是梯度下降的更新公式，所以這也就是關于梯度下降的一種推導了，而且這個推導過程所包含的信息量更為豐富，因為它是一個嚴格的不等式，所以它還可以告訴我們關于訓練的一些結論。?

Lipschitz約束

將梯度下降公式代入到不等式 (2) ，我們得到：

注意到，保證損失函數下降的一個充分條件是，為了做到這一點，要不就要 η 足夠小，要不就要 L 足夠小。但是 η 足夠小意味著學習速度會相當慢，所以更理想的情況是 L 能足夠小，降低了 L 就可以用更大的學習率了，能加快學習速度，這也是它的好處之一。

但 L 是 f(θ) 的內在屬性，因此只能通過調整 f 本身來降低 L。

BN是怎樣煉成的

本節將會表明：以降低神經網絡的梯度的 L 常數為目的，可以很自然地導出 BN。也就是說，BN 降低了神經網絡的梯度的 L 常數，從而使得神經網絡的學習更加容易，比如可以使用更大的學習率。而降低梯度的 L 常數，直觀來看就是讓損失函數沒那么“跌宕起伏”，也就是使得 landscape 更光滑的意思了。

注：我們之前就討論過 L 約束，之前我們討論的是神經網絡關于“輸入”滿足 L 約束，這導致了權重的譜正則和譜歸一化（請參考參數”滿足 L 約束，這導致了對輸入的各種歸一化手段，而 BN 是其中最自然的一種。

梯度分析

以監督學習為例，假設神經網絡表示為，損失函數取，那么我們要做的事情是：

也就是，所以：

順便說明一下，本文的每個記號均沒有加粗，但是根據實際情況不同它既有可能表示標量，也有可能表示向量。?

非線性假設

顯然， f(θ) 是一個非線性函數，它的非線性來源有兩個：

1. 損失函數一般是非線性的；

2. 神經網絡 h(x;θ) 中的激活函數是非線性的。

關于激活函數，當前主流的激活函數基本上都滿足一個特性：導數的絕對值不超過某個常數。我們現在來考慮這個特性能否推廣到損失函數中去，即（在整個訓練過程中）損失函數的梯度是否會被局限在某個范圍內？

看上去，這個假設通常都是不成立的，比如交叉熵是 ?log p，而它的導數是 ?1/p，顯然不可能被約束在某個有限范圍。但是，損失函數聯通最后一層的激活函數一起考慮時，則通常是滿足這個約束的。比如二分類是最后一層通常用 sigmoid 激活，這時候配合交叉熵就是：

這時候它關于 h 的梯度在 -1 到 1 之間。當然，確實存在一些情況是不成立的，比如回歸問題通常用 mse 做損失函數，并且最后一層通常不加激活函數，這時候它的梯度是一個線性函數，不會局限在一個有限范圍內。

這種情況下，我們只能寄望于模型有良好的初始化以及良好的優化器，使得在整個訓練過程中都比較穩定了。這個“寄望”看似比較強，但其實能訓練成功的神經網絡基本上都滿足這個“寄望”。

柯西不等式

我們的目的是探討滿足 L 約束的程度，并且探討降低這個 L 的方法。為此，我們先考慮最簡單的單層神經網絡（輸入向量，輸出標量） h(x;w,b)=g(?x,w?+b) ，這里的 g 是激活函數。這時候：

基于我們的假設，和都被閑置在某個范圍之內，所以可以看到偏置項 b 的梯度是很平穩的，它的更新也應當會是很平穩的。但是 w 的梯度不一樣，它跟輸入 x 直接相關。

關于 w 的梯度差，我們有：

將圓括號部分記為 λ(x,y;w,b,Δw)，根據前面的討論，它被約束在某個范圍之內，這部分依然是平穩項，既然如此，我們不妨假設它天然滿足 L 約束，即：

這時候我們只需要關心好額外的 x。根據柯西不等式，我們有：

這樣一來，我們得到了與（當前層）參數無關的，如果我們希望降低 L 常數，最直接的方法是降低這一項。

減均值除標準差

要注意，雖然我們很希望降低梯度的 L 常數，但這是有前提的——必須在不會明顯降低原來神經網絡擬合能力的前提下，否則只需要簡單乘個 0 就可以讓 L 降低到 0 了，但這并沒有意義。?

式 (12) 的結果告訴我們，想辦法降低是個直接的做法，這意味著我們要對輸入 x 進行變換。然后根據剛才的“不降低擬合能力”的前提，最簡單并且可能有效的方法就是平移變換了，即我們考慮 x→x?μ，換言之，考慮適當的 μ 使得：

最小化。這只不過是一個二次函數的最小值問題，不難解得最優的 μ 是：

于是，我們得到：?

結論 1：將輸入減去所有樣本的均值，能降低梯度的 L 常數，是一個有利于優化又不降低神經網絡擬合能力的操作。

接著，我們考慮縮放變換，即，這里的 σ 是一個跟 x 大小一樣的向量，而除法則是逐位相除。這導致：

σ 是對 L 的一個最直接的縮放因子，但問題是縮放到哪里比較好？如果一味追求更小的 L，那直接 σ→∞ 就好了，但這樣的神經網絡已經完全沒有擬合能力了；但如果 σ 太小導致 L 過大，那又不利于優化。所以我們需要一個標準。

以什么為標準好呢？再次回去看梯度的表達式 (9)，前面已經說了，偏置項的梯度不會被 x 明顯地影響，所以它似乎會是一個靠譜的標準。如果是這樣的話，那相當于將輸入 x 的這一項權重直接縮放為 1，那也就是說，變成了一個全 1 向量，再換言之：

這樣一來，一個相對自然的原則是將 σ 取為輸入的標準差。這時候，我們能感覺到除以標準差這一項，更像是一個自適應的學習率校正項，它一定程度上消除了不同層級的輸入對參數優化的差異性，使得整個網絡的優化更為“同步”，或者說使得神經網絡的每一層更為“平權”，從而更充分地利用好了整個神經網絡，減少了在某一層過擬合的可能性。當然，如果輸入的量級過大時，除以標準差這一項也有助于降低梯度的 L 常數。?

于是有結論：?

結論 2：將輸入（減去所有樣本的均值后）除以所有樣本的標準差，有類似自適應學習率的作用，使得每一層的更新更為同步，減少了在某一層過擬合的可能性，是一個提升神經網絡性能的操作。

推導窮，BN現

前面的推導，雖然表明上僅以單層神經網絡（輸入向量，輸出標量）為例子，但是結論已經有足夠的代表性了，因為多層神經網絡本質上也就是單層神經網絡的復合而已（關于這個論點，可以參考筆者舊作《從 Boosting 學習到神經網絡：看山是山？》[3] ）。?

所以有了前面的兩個結論，那么 BN 基本就可以落實了：訓練的時候，每一層的輸出都減去均值除以標準差即可，不過由于每個 batch 的只是整體的近似，而期望 (14) , (16) 是全體樣本的均值和標準差，所以 BN 避免不了的是 batch size 大點效果才好，這對算力提出了要求。?

此外，我們還要維護一組變量，把訓練過程中的均值方差存起來，供預測時使用，這就是 BN 中通過滑動平均來統計的均值方差變量了。至于 BN 的標準設計中，減均值除標準差后還補充上的 β , γ 項，我認為僅是錦上添花作用，不是最必要的，所以也沒法多做解釋了。

簡單的總結

本文從優化角度分析了 BN 其作用的原理，所持的觀點跟 How Does Batch Normalization Help Optimization? 基本一致，但是所用的數學論證和描述方式個人認為會更簡單易懂寫。最終的結論是減去均值那一項，有助于降低神經網絡梯度的 L 常數，而除以標準差的那一項，更多的是起到類似自適應學習率的作用，使得每個參數的更新更加同步，而不至于對某一層、某個參數過擬合。?

當然，上述詮釋只是一些粗糙的引導，完整地解釋 BN 是一件很難的事情，BN 的作用更像是多種因素的復合結果，比如對于我們主流的激活函數來說， [?1,1] 基本上都是非線性較強的區間，所以將輸入弄成均值為 0、方差為 1，也能更充分地發揮激活函數的非線性能力，不至于過于浪費神經網絡的擬合能力。?

總之，神經網絡的理論分析都是很艱難的事情，遠不是筆者能勝任的，也就只能在這里寫寫博客，講講可有可無的故事來貽笑大方罷了。