原理：

LRN层模仿了生物神经系统的“侧抑制”机制，对局部神经元的活动创建竞争环境，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，增强模型的泛化能力。
LRN对于ReLU这种没有上限边界的激活函数会比较有用，因为它会从附近的多个卷积核的响应中挑选比较大的反馈，但不适合Sigmoid之中有固定边界并且能抑制过大值的激活函数。

• $b_{x,y}^i$是归一化后的值。
• $a_{x,y}^i$表示第i个核位置（x，y）运用ReLU非线性化神经元输出。
  总的来说，上述公式是输入除以一个系数来达到归一化的目的，公式的核心在于该系数的计算，该系数的意义是不同通道（feature
  map）的累加平方和。

该层还需要参数：

• n: 临近的feature map 数目，用于表示局部区域的大小，注意，这里的区域指的是一维区域，区别于图像中某像素点的临近像素。
• N：通道（featrure map）总数（这里的通道不是图像的通道，而是指不同的kernal生成的feature map）
• $\alpha$： 缩放因子
• $\beta$：指数项

例如：
$i$ = 10, $N$= 96, $n$ = 4.
当求第10个卷积核在位置x,y处特征为a，那么该处的局部响应为a除以第8,9,10,11,12个卷积核在x，y处特征平方和。