关键词：多输入多输出/BatchNormalization/dropout 两个不同领域输入，两个回归/分类任务， input_domain_a, input_domain_b concatenate(共享) task1:dense-BatchNormalization-dropout-dense task2:dense-BatchNormalization-dropout-dense

主要为大家详细介绍了TensorFlow实现Batch Normalization，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

一、BN（Batch Normalization）算法 1. 对数据进行归一化处理的重要性 神经网络学习过程的本质就是学习数据分布，在训练数据与测试数据分布不同情况下，模型的泛化能力就大大降低；另一方面，若训练过程中每批batch的数据分布也各不相同，那么网络每批迭代学习过程也会出现较大波动，使之更难趋于收敛，降低训练收敛速度。对于深层网络，网络前几层的微小变化都会被网络累积放大，则训练数据的分布变化问题会被放大，更加影响训练速度。 2. BN算法的强大之处 1）为了加速梯度下降算法的训练，我们