nn.BatchNorm2d nn.MaxPool2d中参数 Group Norm

nn.Conv2d(3,64,7,stride=2,padding=3),
nn.BatchNorm2d(64),
# 这个64为卷积后输出的通道数（channel），所以，里面的参数为前面卷积的输出通道数
# referen pytorch nn.BatchNorm2d() 参数解释_Tchunren的博客-CSDN博客_batchnorm2d参数
nn.LeakyReLU(0.1,inplace=True),
nn.MaxPool2d(2), #这里面没有写stride，在官网中，如果stride不写，其stride就等于kernel_size,这是我问的一个日本友人

https://github.com/motokimura/yolo_v1_pytorch/issues/7

BN加速训练收敛：个人理解是把前一个卷积结果输出进行Batch Norm（把结果拉到正态分布），进行BN后的结果不会分布不均匀，不会让训练的损失函数处于过大的振荡，这样就会较快收敛。

GN与BN的差别，个人感觉在batch size用的较小时GN比BN好，batch size大的时候，两者差不多。

nn.BatchNorm2d() 

首先这个方法就是进行归一化，默认第一个参数就是传入的数据的通道数，老是记不住，这样理解就好了，因为是归一化，那肯定要对每一个channel都要进行归一化，那传入的第一个参数就是通道数。至于后面有些传入小数，可以参考下面链接。

https://blog.csdn.net/t20134297/article/details/104960101