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

• 批歸一化網絡僅用7% 的訓練步數就達到了原始 Inception 模型的精度（加速 14 倍）。
• BN-Inception（帶有批歸一化和其他修改）實現了 4.82% 的 top-5 驗證誤差，超過了原始 GoogLeNet（6.67%）的精度，接近人類水平。
• 使用批歸一化允許使用比基線高 10 倍的學習率進行訓練而不發散。
• 在某些配置上，批歸一化消除了對 dropout 的需要而不損失精度，進一步簡化了架構並減少了訓練時間。