批归一化是什么

Batch Normalization（BN，2015）在每层激活前，对一个 mini-batch 的每个特征维做「减均值、除标准差」，再学缩放 $\gamma$ 和平移 $\beta$ 。它缓解内部协变量偏移、允许更大学习率，是 ResNet 时代训练深 CNN 的标配；Transformer 则用 LayerNorm。

直觉

每批学生成绩先标准化成「班级 Z 分数」，再允许科目自己定难易系数（ $\gamma$ ）和基准线（ $\beta$ ）。不同 batch 的均值方差会抖，但统计上稳定后，深层收到的输入分布不再随下层权重剧烈漂移。

定义

对 mini-batch $\mathcal{B}$ ，特征维 $j$ ：

\mu_j = \frac{1}{|\mathcal{B}|}\sum_{i \in \mathcal{B}} x_{ij}, \quad \sigma_j^2 = \frac{1}{|\mathcal{B}|}\sum_{i \in \mathcal{B}} (x_{ij} - \mu_j)^2

\hat{x}_{ij} = \frac{x_{ij} - \mu_j}{\sqrt{\sigma_j^2 + \epsilon}}, \quad y_{ij} = \gamma_j \hat{x}_{ij} + \beta_j

推理时用训练期累积的 running mean/var，不用当前 batch 统计。

例子

例 1：手算 BN（3 样本，2 维）

import numpy as np

X = np.array([[1.0, 10.0],
              [2.0, 20.0],
              [3.0, 30.0]])
mu = X.mean(axis=0)           # [2, 20]
var = X.var(axis=0)           # [0.667, 66.67]
X_hat = (X - mu) / np.sqrt(var + 1e-5)
print(X_hat.round(3))
# 每列均值≈0，标准差≈1

例 2： $\gamma, \beta$ 恢复表达能力

若 $\gamma = \sigma, \beta = \mu$ ，则 $y = x$ ——BN 不必然限制表达；可学成恒等。

例 3：训练 vs 推理

阶段	均值/方差来源	batch size 影响
训练	当前 batch	小 batch 噪声大
推理	EMA 累积	与 batch 无关

batch=1 推理时 BN 行为与训练不一致 → 促生 LayerNorm（Transformer 逐样本归一化）。

量化

每层 BN 额外参数： $2d$ （ $\gamma, \beta$ ）， $d=2048$ → 4K float32 ≈ 16 KB
计算：每特征维 $O(B)$ 统计 + $O(Bd)$ 变换；相对 conv often 低于 5% 开销
ResNet-50 + BN：原论文 batch=256 可训；无 BN 同结构常需更小 lr
有效 batch 小（如 8）时 BN 统计噪声大 → GroupNorm、LayerNorm 替代

LayerNorm：在特征维归一化，不依赖 batch 维 —— LLM 标配。RMSNorm：去掉减均值，只除 RMS，略快（Llama 等）。

常见误区

「BN = 数据归一化」——BN 归一化中间激活，不是输入像素。
「BN 放在 ReLU 后」——原论文在 conv/linear 之后、激活之前（也有 post-activation 变体）。
「BN 消除过拟合」——有轻微正则效应；主要 stabilizes training。

动手试一试

模拟 running stats：

import numpy as np

running_mean = np.zeros(2)
running_var = np.ones(2)
momentum = 0.1

for step in range(5):
    batch = np.random.randn(32, 2) * (step + 1)  # 分布随 step 变
    running_mean = (1 - momentum) * running_mean + momentum * batch.mean(0)
    running_var = (1 - momentum) * running_var + momentum * batch.var(0)
    print(f"step {step}: running_mean≈{running_mean.round(2)}")

Internal Covariate Shift 的争议

原论文称 BN 减少「内部协变量偏移」——中间层输入分布随下层更新而漂移。后续研究认为 BN 的主要效果是 loss landscape 更平滑、允许更大 lr；无论机制如何，实践有效 是共识。

SyncBN 与分布式训练

多 GPU 时单卡 batch 小，BN 统计噪声大。Synchronized BN 跨卡聚合 mean/var，等效更大 batch。Detection 模型常用；LLM 不用 BN 而 LayerNorm，因序列 batch 内归一化不依赖跨样本统计。

RMSNorm 与 LayerNorm 公式

LayerNorm（对特征维 $d$ ）：

\hat{x}_i = \frac{x_i - \mu}{\sqrt{\sigma^2 + \epsilon}}, \quad y_i = \gamma_i \hat{x}_i + \beta_i

RMSNorm（Llama）：不减均值，只除 RMS $=\sqrt{\frac{1}{d}\sum x_i^2}$ ——少一次 reduce，略快，精度相当。

训练与推理模式切换

model.train() 与 model.eval() 影响 BN 与 Dropout：BN 用 batch 统计 vs running stats；Dropout 随机 vs 关闭。忘记 eval() 是部署 bug 经典来源——同一输入每次预测不同。

PyTorch 检查清单：

model.train()   # 训练循环内
# ... forward, backward, step ...
model.eval()    # 验证 / 推理
with torch.no_grad():
    y = model(x)

与 LayerNorm 的选型指南

场景	推荐	原因
CNN 图像分类	BatchNorm	大 batch、空间维统计稳
检测/分割小 batch	GroupNorm / SyncBN	batch 统计噪声
Transformer / LLM	LayerNorm / RMSNorm	序列长、batch 内归一化 per token
在线学习 batch=1	LayerNorm	BN 不可用

Post-LN vs Pre-LN（Transformer）：Pre-LN（先 norm 再子层）训练更稳，现代默认；Post-LN 原始论文用法。第五章 LayerNorm 会展开。

BatchNorm 的 $\gamma, \beta$ 让网络可「撤销」归一化——若某层不需要 BN 效果，可学成 $\gamma \approx \sigma, \beta \approx \mu$ 近似恒等。

动手与阅读建议

建议对照 PyTorch 文档 torch.nn 模块，把本篇公式与 Linear、ReLU、LSTM、MultiheadAttention 的 forward 签名一一对应。读论文时先圈出 张量 shape（如 $(B, T, d)$ ）再读公式，比死记符号快得多。

若训练 loss 不降：先画 train loss 曲线（逐步、非 epoch 平均），看是震荡、plateau 还是 NaN。NaN 从 lr 减半 与 gradient clip 开始试；plateau 查 wd 是否过大 或 数据是否标错。验证集只用于 选超参，勿反复调 test。

本章内容在第五章 Transformer 会全部复现：QKV 是 Attention，FFN 是 MLP，Pre-LN 是 LayerNorm。掌握本章 = 读 GPT 论文的最低门槛。完成 MNIST 或 XOR 小实验（CPU 即可）再进入下一章，手感差异很大。

Neuron/Unit 神经元；Activation 激活函数；Hidden layer 隐藏层；Logit 预激活 $z$ ；Embedding 把离散 id 映射为连续向量；Epoch 全数据扫一遍；Iteration/Step 一个 batch 更新一次；Learning rate 学习率 $\eta$ ；Weight decay 权重衰减（L2 或 AdamW）；Fine-tune 微调预训练权重。读英文文档时这些词与中文教材一一对应，避免混用「单元/神经元/节点」造成概念漂移。

算力与显存（复习）

参数量 $P$ 个 float32 权重约占 $4P$ 字节。训练显存粗估：权重 + 梯度 + 优化器状态（Adam 约 $3\times$ 权重）+ 激活（与 batch、序列长度、层数成正比）。推理 mainly 权重 + KV cache（生成式 LLM）。先会估算 $P$ 和一次 forward 的 FLOPs，再读第九章 GPU 与第七章分布式，数字才能对齐。

下一篇链接在文末小结中；建议按 meta.json 顺序阅读，跳读易漏掉「RNN 消失 → LSTM → Attention」这条叙事链。遇到公式卡住，回第二章查链式法则与 softmax。

量化自检：本篇至少包含两个带数字的例子（参数量、FLOPs、梯度量级或准确率）。复现时请用自己的随机种子跑代码，核对数量级一致即可，不必逐位相同——浮点顺序会导致末位差异。

写笔记时用一句话概括本篇核心定理或结论，便于复习。

BatchNorm 论文 2015 年与 ResNet 同年，两者叠加让百层网络成为常规操作而非实验室奇迹。

本章各篇互有引用，建议开侧边栏按顺序阅读，形成完整知识链。

小结

BatchNorm = batch 内标准化 + 可学仿射；稳定深层训练、允许更大 lr。CNN 时代 BN；序列/LLM 用 LayerNorm/RMSNorm——思想同源：控制激活尺度。

→ 下一篇：Dropout 是什么

直觉

定义

例子

量化