详解LRN（local response normalization--局部响应标准化）缓解过拟合

局部响应归一化层（Local Response Normalization）

LRN全称为Local Response Normalization，即局部响应归一化层，LRN函数类似Dropout和数据增强作为relu激活函数之后防止数据过拟合而提出的一种处理方法。这个函数很少使用，基本上被类似Dropout这样的方法取代.

为什么要引入LRN层？
首先要引入一个神经生物学的概念：侧抑制（lateral inhibitio），即指被激活的神经元抑制相邻的神经元。归一化（normaliazation）的目的就是“抑制”,LRN就是借鉴这种侧抑制来实现局部抑制，尤其是我们使用RELU的时候，这种“侧抑制”很有效 ，因而在alexnet里使用有较好的效果。

归一化有什么好处？
1.归一化有助于快速收敛；
2.对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。
补充：神经网络学习过程本质就是为了学习数据分布，一旦训练数据与测试数据的分布不同，那么网络的泛化能力也大大降低；另外一方面，一旦每批训练数据的分布各不相同(batch 梯度下降)，那么网络就要在每次迭代都去学习适应不同的分布，这样将会大大降低网络的训练速度，这也正是为什么我们需要对数据都要做一个归一化预处理的原因。
LRN公式

code:
normal = tf.nn.lrn(input, depth_radius. bias, alpha, beta,name)

●i：代表下标，你要计算像素值的下标，从0计算起
●j：平方累加索引，代表从j～i的像素值平方求和
●x,y：像素的位置，公式中用不到
●a：代表feature map里面的 i 对应像素的具体值
●N：每个feature map里面最内层向量的列数
●k：超参数，由原型中的blas指定
●α：超参数，由原型中的alpha指定
●n/2：超参数，由原型中的deepth_radius指定
●β：超参数，由原型中的belta指定

Tensorflow示例

import tensorflow as tf  
  
a = tf.constant(