代码实现
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, BatchNormalization, Activation
from tensorflow.keras.optimizers import SGD# 生成随机数据
np.random.seed(0)
X = np.random.rand(100, 10)
y = np.random.randint(2, size=(100, 1))# 构建神经网络模型
model = Sequential()# 添加输入层
model.add(Dense(32, input_dim=10))
model.add(BatchNormalization())
model.add(Activation('relu'))# 添加隐含层
model.add(Dense(64))
model.add(BatchNormalization())
model.add(Activation('relu'))# 添加输出层
model.add(Dense(1, activation='sigmoid'))# 编译模型
model.compile(optimizer=SGD(lr=0.01), loss='binary_crossentropy', metrics=['accuracy'])# 训练模型
model.fit(X, y, epochs=50, batch_size=32)为什么BN会生效
梯度消失问题的缓解：在深度神经网络中，梯度消失是一个常见的问题，特别是在深层网络中。批归一化通过在每个批次内对输入进行标准化，使得激活函数的输入分布更稳定，从而减轻了梯度消失问题，使得梯度更容易传播，促进了训练过程的稳定性和效率。
加速收敛：由于批归一化在每个批次内对输入进行了标准化，网络的参数可以更快地收敛到合适的范围，从而加速了训练的收敛速度。这意味着在相同迭代次数下，批归一化的网络可以取得更好的效果。
模型稳定性：批归一化有助于减少模型在训练过程中的震荡，使得网络更加稳定。它通过对每个批次的统计信息进行标准化，减小了参数的更新幅度，从而减少了训练过程中的不稳定性。
泛化能力提升：批归一化对输入数据的标准化可以使模型对不同尺度、分布的数据更具有鲁棒性，从而提高了模型的泛化能力，使其在测试数据上表现更好。
正则化效果：批归一化在每个批次内引入了一些噪声，类似于 dropout，有助于模型的正则化，减少过拟合问题。
