先看这个，对NCHW格式的输入有个直观的理解：http://www.mamicode.com/info-detail-2378483.html
https://www.jianshu.com/p/86530a0a3935
官网资料： https://www.cnblogs.com/leebxo/p/10102689.html
m = nn.BatchNorm2d(100, affine=False)affine表示有无参数
import torch import torch.nn as nn m = nn.BatchNorm2d(2,affine=True) #weight(gamma)和bias(beta)将被使用 input = torch.randn(1,2,3,4) output = m(input) print("输入图片：") print(input) print("归一化权重(公式中的gamma)：") print(m.weight) print("归一化偏置(公式中的beta)：") print(m.bias) print("归一化的输出：") print(output) print("输出的尺度：") print(output.size()) # i = torch.randn(1,1,2) print("输入的第一个维度：") print(input[0][0]) firstDimenMean = torch.Tensor.mean(input[0][0]) firstDimenVar= torch.Tensor.var(input[0][0],False) #Bessel's Correction贝塞尔校正不会被使用 print(m.eps) print("输入的第一个维度平均值：") print(firstDimenMean) print("输入的第一个维度方差：") print(firstDimenVar) bacthnormone = \ ((input[0][0][0][0] - firstDimenMean)/(torch.pow(firstDimenVar+m.eps,0.5) ))\ * m.weight[0] + m.bias[0] print(bacthnormone) 代码运行结果： 输入图片： tensor([[[[-1.1622, -0.9170, -0.6798, -0.0270], [ 0.2687, -1.6046, -0.2142, -0.3561], [ 0.2908, -0.1012, 1.3594, 1.1316]], [[ 0.4689, 1.4049, 1.2324, -1.3721], [-0.1498, -0.3207, 0.5072, -1.2563], [ 1.5934, -0.8010, 0.1270, 0.5993]]]]) 归一化权重(公式中的gamma)： Parameter containing: tensor([0.8681, 0.7207], requires_grad=True) 归一化偏置(公式中的beta)： Parameter containing: tensor([0., 0.], requires_grad=True) 归一化的输出： tensor([[[[-1.0344, -0.7794, -0.5326, 0.1463], [ 0.4538, -1.4945, -0.0484, -0.1960], [ 0.4767, 0.0691, 1.5881, 1.3512]], [[ 0.2279, 0.9400, 0.8088, -1.1729], [-0.2429, -0.3729, 0.2570, -1.0848], [ 1.0834, -0.7384, -0.0323, 0.3271]]]], grad_fn=<ThnnBatchNormBackward>) 输出的尺度： torch.Size([1, 2, 3, 4]) 输入的第一个维度： tensor([[-1.1622, -0.9170, -0.6798, -0.0270], [ 0.2687, -1.6046, -0.2142, -0.3561], [ 0.2908, -0.1012, 1.3594, 1.1316]]) 1e-05 输入的第一个维度平均值： tensor(-0.1676) 输入的第一个维度方差： tensor(0.6967) tensor(-1.0344, grad_fn=<ThAddBackward>)
