参考：Implementing Batch Normalization in Tensorflow
批量标准化：是一个简单且有效的方法，能感觉神经网络的性能，此处指，能够扩大learning rate，不需要很小的learning rate，那么在有限的迭代次数内，就能完成loss的优化，一般速度能提高14倍。
BN，即“批量规范化”；每次SGD时，通过mini-batch来对相应的activation做规范化操作，使得结果（输出信号各个维度）的均值为0，方差为1。最后的‘scale and shift’操作是为了让因训练所需而“刻意”加入的BN能够有可能还原成最初的输入，从而保证整个network的capacity。此处capacity指，BN是一种在原模型上的新操作，这个新操作很大可能改变某层原来的输入，也有可能不变，如此一来，既可以改变同时也可以保持原输入，那么模型的容纳能力就提升了。
BN的原因：
为了克服深度神经网络难以训练的弊病。说到底为了防止‘梯度弥散’，
比如0.9的30次方=0.04，而BN中，通过将activation规范为均值和方差一致的手段，让原本会减小的activation的scale变大。
什么时候进行BN？
比如：在神经网络训练时，遇到收敛速度很慢，或者梯度爆炸等无法训练的状况下，可以尝试BN来解决。另外，一般情况下，使用BN能加快训练速度，提高模型精度。
