请解释Batch Normalization在神经网络训练中承担什么功能，以及它如何影响模型训练过程。

回答思路

1. 【回答框架 1】Batch Normalization通过对每个mini-batch在通道维度上做归一化，使输入分布稳定，缓解内部协变量偏移，从而允许更高的学习率并减少对参数初始化的敏感度。
2. 【回答框架 2】它引入可学习的缩放和平移参数，保留网络的表达能力，并在训练时使用mini-batch统计量，推理时使用全局统计量（如滑动平均），保证推理确定性。
3. 【回答框架 3】主要作用包括加速收敛、改善梯度流动、提供轻微正则化效果，但要注意它增加计算开销，且在batch size较小时统计量不稳定可能影响效果。
4. 【回答框架 4】实际应用中，Batch Normalization通常放置在线性层或卷积层之后、激活函数之前，对卷积层一般按通道归一化，并能提升训练稳定性，但需结合具体任务调整策略。
5. 【关键点 1】归一化输入分布并缓解内部协变量偏移。
6. 【关键点 2】允许更高学习率、减少初始化敏感度。
7. 【关键点 3】提供轻微正则化但非核心目的。
8. 【关键点 4】推理使用全局统计量保证确定性。
9. 【易错点 1】小batch size会导致统计量估计不准确。
10. 【易错点 2】不应与Dropout同时使用过多以避免正则化冗余。
11. 【易错点 3】推理时若使用训练统计量会造成数据泄露，必须用全局统计量。