modify bn first time

sunalbert · sunalbert · commit 27cc8c29151c · 2017-03-23T21:48:37.000+08:00
diff --git a/_posts/2017-03-15-batch-normalizatioin.markdown b/_posts/2017-03-15-batch-normalizatioin.markdown
@@ -39,7 +39,7 @@ tags:
 
 
 
-显然，这种优化方式走了弯路。但是如果我们可以通过一种方式，让数据向分类线的初始位置靠近，让目标函数在各个参数上的分布更加均衡，不就可以加快优化速度了吗？使用归一化可以起到类似的作用。对上图中的数据做归一化，使其均值为0，方差为1，结果(PS：对均值和方差的要求只是一些归一化方法的要求)如图-2所示：
+显然，这种优化方式走了弯路。但是如果我们可以通过一种方式，让数据向分类线的初始位置靠近，让目标函数在各个参数上的分布更加均衡，不就可以加快优化速度了吗？使用归一化可以起到类似的作用。对上图中的数据做归一化，结果(PS：对均值和方差的要求只是一些归一化方法的要求)如图-2所示：
 
 
 

Original file line number	Diff line number	Diff line change
`@@ -39,7 +39,7 @@ tags:`
`39`	`39`
`40`	`40`
`41`	`41`
`42`		`-显然，这种优化方式走了弯路。但是如果我们可以通过一种方式，让数据向分类线的初始位置靠近，让目标函数在各个参数上的分布更加均衡，不就可以加快优化速度了吗？使用归一化可以起到类似的作用。对上图中的数据做归一化，使其均值为0，方差为1，结果(PS：对均值和方差的要求只是一些归一化方法的要求)如图-2所示：`
	`42`	`+显然，这种优化方式走了弯路。但是如果我们可以通过一种方式，让数据向分类线的初始位置靠近，让目标函数在各个参数上的分布更加均衡，不就可以加快优化速度了吗？使用归一化可以起到类似的作用。对上图中的数据做归一化，结果(PS：对均值和方差的要求只是一些归一化方法的要求)如图-2所示：`
`43`	`43`
`44`	`44`
`45`	`45`