https://nndl.github.io/chap-%E7%BD%91%E7%BB%9C%E4%BC%98%E5%8C%96%E4%B8%8E%E6%AD%A3%E5%88%99%E5%8C%96.pdf
在神经网络中，每层的输入时上一层的输出，如果底层的输入发生微小的变化，带来的影响是上层的网络参数变化很大，需要重新训练，在机器学习中叫做内部协变量偏移，为了解决内部协变量偏移的问题，需要让每层神经网络的输入在分布上保持一致，最简单的方法就是对每一层参数进行归一化操作，使分布保持稳定。
其中BN批量正则化是有效的方式：
BN通常用于仿射变化之后，激活函数之前，这样分布性质比较稳定。一般使用标准归一化的方法，将zl归一化到标准正态分布：
其中E表示每一维的期望，var方差。但是直接计算期望和方差计算量是很大的，因此在训练前通过小批量样本预先计算。
但是直接进行归一到标准正态分布的操作，会使zl分布集中在0附近，如果使用sigmoid之类的激活函数，zl大多分布在线性区，减弱了神经网络的表达能力（但是同时也减弱了过拟合？）所以一般还要加两个参数，进行一下缩放和平移：
gama和beta分别表示缩放和平移量
最终得到：其中因为BN本身就带平移变换，因此不需要再加偏移量
