Translations:Batch Normalization Accelerating Deep Network Training/20/zh

• 批归一化网络仅用7% 的训练步数就达到了原始 Inception 模型的精度（加速 14 倍）。
• BN-Inception（带有批归一化和其他修改）实现了 4.82% 的 top-5 验证误差，超过了原始 GoogLeNet（6.67%）的精度，接近人类水平。
• 使用批归一化允许使用比基线高 10 倍的学习率进行训练而不发散。
• 在某些配置上，批归一化消除了对 dropout 的需要而不损失精度，进一步简化了架构并减少了训练时间。