BatchNorm

对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作

在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。

在验证时，训练求得的均值/方差将用于标准化验证数据。
参数：
num_features： 来自期望输入的特征数，C from an expected input of size (N,C,L) or L from input of size (N,L)
eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum： 动态均值和动态方差所使用的动量。默认为0.1。
affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。

Shape： - 输入：（N, C）或者(N, C, L) - 输出：（N, C）或者（N，C，L）（输入输出相同）
例子

1.nn.BatchNorm1d(num_features)

1.对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作
2.num_features：
	来自期望输入的特征数，该期望输入的大小为'batch_size x num_features [x width]'
	意思即输入大小的形状可以是'batch_size x num_features' 和 'batch_size x num_features x width' 都可以。
	（输入输出相同）
     输入Shape：（N, C）或者(N, C, L)
     输出Shape：（N, C）或者（N，C，L）

eps：为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum：动态均值和动态方差所使用的动量。默认为0.1。
affine：一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
  在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
  在验证时，训练求得的均值/方差将用于标准化验证数据。 
4.例子
	>>> # With Learnable Parameters
	>>> m = nn.BatchNorm1d(100) #num_features指的是randn(20, 100)中（N, C）的第二维C
	>>> # Without Learnable Parameters
	>>> m = nn.BatchNorm1d(100, affine=False)
	>>> input = autograd.Variable(torch.randn(20, 100)) #输入Shape：（N, C）
 	>>> output = m(input)  #输出Shape：（N, C）

2.nn.BatchNorm2d(num_features)

1.对小批量(mini-batch)3d数据组成的4d输入进行批标准化(Batch Normalization)操作
2.num_features： 
	来自期望输入的特征数，该期望输入的大小为'batch_size x num_features x height x width'
	（输入输出相同）
	输入Shape：（N, C，H, W)
	输出Shape：（N, C, H, W）
  eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
  momentum： 动态均值和动态方差所使用的动量。默认为0.1。
  affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
  在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
  在验证时，训练求得的均值/方差将用于标准化验证数据。
4.例子
	>>> # With Learnable Parameters
	>>> m = nn.BatchNorm2d(100) #num_features指的是randn(20, 100, 35, 45)中（N, C，H, W)的第二维C
	>>> # Without Learnable Parameters
	>>> input = autograd.Variable(torch.randn(20, 100, 35, 45))  #输入Shape：（N, C，H, W)
	>>> output = m(input)

3.nn.BatchNorm3d(num_features)

1.对小批量(mini-batch)4d数据组成的5d输入进行批标准化(Batch Normalization)操作
2.num_features： 
	来自期望输入的特征数，该期望输入的大小为'batch_size x num_features depth x height x width'
	（输入输出相同）
	输入Shape：（N, C，D, H, W)
	输出Shape：（N, C, D, H, W）
 
  eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
  momentum： 动态均值和动态方差所使用的动量。默认为0.1。
  affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
 
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
  在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
  在验证时，训练求得的均值/方差将用于标准化验证数据。
4.例子
	>>> # With Learnable Parameters
	>>> m = nn.BatchNorm3d(100)  #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C
	>>> # Without Learnable Parameters
	>>> m = nn.BatchNorm3d(100, affine=False)  #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C
	>>> input = autograd.Variable(torch.randn(20, 100, 35, 45, 10)) #输入Shape：（N, C, D, H, W） 
	>>> output = m(input)