介绍BN，首先介绍深度学习过程实际上是学习数据的分布，而通过每一层卷积后，由于前一层的参数是每步迭代都会发生更新，因此后面层的数据的分布都会发生变化，那么网络又要花费精力去学习新的数据分布，从而使得学习速度很慢，因此就想将每一层的数据都通过归一化到同一分布上来加快学习，但是如果每一层改变其分布，那么就破坏了学习到的特征的分布，因此就引入了变换重构
于是文献使出了一招惊天地泣鬼神的招式：变换重构，引入了可学习参数γ、β，这就是算法关键之处：
每一个神经元xk都会有一对这样的参数γ、β。这样其实当：
是可以恢复出原始的某一层所学到的特征的。因此我们引入了这个可学习重构参数γ、β，让我们的网络可以学习恢复出原始网络所要学习的特征分布。
可以解决梯度消失和梯度爆炸
