当你的网络中可以用6个bn层，你渐渐能看懂人工智能的革命范式！
他就是：何凯明初始化输入数据+数据卷积+batch normal输出
这个范式很伟大，它可以说是人工智能的基石，也可以说是修建房屋（搭建积木网络）的砖瓦！
normal你可以翻译成正态分布或者归一化，其实二者是不同的，这就是语言的弱点，而计算机跑人工智能，正态分布和归一化是区分很清楚的，举个例子：
打谷场扬场，掉下去的谷子，自然堆起来的，几乎就是正态分布的立体结构！
而归一化用的最多的就是，图像像素我们都会除以255，然后给神经网络用！
归一化，意思更宽泛，可以把何凯明初始化，正态分布，图像像素我们都会除以255都叫做归一化！所以写程序，必须区分归一化！
归一化说完了，我们再看上面这个革命范式的对称美！
一般，1，2，3，4，5没有-2，-1，0，1，2对称！我们可以把这两个叫做relu激活函数和tanh激活函数！
我现在网络能用6个bn层，都用的是tanh激活，relu还不行，等待再研究！
就当下我到位的，还是可以掉到这个对称美坑中的！
何凯明初始化，是对称美的！
batch normal，也是对称美的！
而，上面的革命范式，**何凯明初始化输入数据+数据卷积+batch normal输出，**也是对称美的！
那么何凯明初始化输入数据+数据卷积+batch normal输出+激活函数tanh，也是对称美的！
这就是我可以用6个bn的底层逻辑？
那么宇称不守恒是不是就是：何凯明初始化输入数据+数据卷积+batch normal输出+激活函数relu？
真是很有意思，加大马力，继续研究！
你看看残差网络，注意力机制是不是都是在这个革命范式的重复！
新的革命范式一定是斩杀未来的利器！
中国人善于用！
当你搞这些鬼东西，他说你是重复造轮子！
但人生的热情和乐趣是什么？是非经过不知道！纸上得来终觉浅，绝知此事要躬行！
就像小时候玩泥巴！
你看谁都会用pytorch（python），这个东西其实在扼杀我们自身的探索精神！