BatchNorm2d()参数及用法

批归一化:在卷积神经网络的卷积层之后总会添加BatchNorm2d进行数据的归一化处理，这使得数据在进行Relu之前不会因为数据过大而导致网络性能的不稳定。

   or    

其中，γ（默认为1）和β（默认是0）是可学习参数，维度是输入的size C。

输入：(N, C, H, W)

输出：(N, C, H, W)` (same shape as input)

参数：

--num_features: size C 来自 size (N, C, H，W)，channel的数量

--eps（默认值:le-5）：为数值稳定性添加到分母的值。

--monentun（默认值:0.1）：动量参数，用于running_mean and running_var计算的值，可以设置为None，简单的平均值。

--affine（bool，默认值:"True"）:当设置为“True”时，该模块具有可学习的仿射参数 γ和β。

--track_running_stats（bool，默认值:"True"）:当设置为"True"时，该模块跟踪运行平均值和偏差，当设置为" False "时，该模块不跟踪此类统计，并将统计缓冲区:otr: 'running_meon'和:attr: 'running_vor'初始化为"None"当这些缓冲区为"None"时，该模块始终使用批量统计。

例子：

import torch
import torch.nn as nn

>>> # With Learnable Parameters
>>> m = nn.BatchNorm2d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm2d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)

【PyTorch】详解pytorch中nn模块的BatchNorm2d()函数-CSDN博客