1.nn.BatchNorm1d(num_features)

        1.對小批量(mini-batch)的2d或3d輸入進(jìn)行批標(biāo)準(zhǔn)化(Batch Normalization)操作
        2.num_features：
                來自期望輸入的特征數(shù)朦乏，該期望輸入的大小為'batch_size x num_features [x width]'
                意思即輸入大小的形狀可以是'batch_size x num_features' 和 'batch_size x num_features x width' 都可以球及。
                （輸入輸出相同）
                輸入Shape：（N, C）或者(N, C, L)
                輸出Shape：（N, C）或者（N，C呻疹，L）

          eps：為保證數(shù)值穩(wěn)定性（分母不能趨近或取0）,給分母加上的值桶略。默認(rèn)為1e-5。
          momentum：動(dòng)態(tài)均值和動(dòng)態(tài)方差所使用的動(dòng)量诲宇。默認(rèn)為0.1际歼。
          affine：一個(gè)布爾值，當(dāng)設(shè)為true姑蓝，給該層添加可學(xué)習(xí)的仿射變換參數(shù)鹅心。
        3.在每一個(gè)小批量（mini-batch）數(shù)據(jù)中，計(jì)算輸入各個(gè)維度的均值和標(biāo)準(zhǔn)差纺荧。gamma與beta是可學(xué)習(xí)的大小為C的參數(shù)向量（C為輸入大行窭ⅰ）
          在訓(xùn)練時(shí)，該層計(jì)算每次輸入的均值與方差宙暇，并進(jìn)行移動(dòng)平均输枯。移動(dòng)平均默認(rèn)的動(dòng)量值為0.1。
          在驗(yàn)證時(shí)占贫，訓(xùn)練求得的均值/方差將用于標(biāo)準(zhǔn)化驗(yàn)證數(shù)據(jù)桃熄。 
        4.例子
                >>> # With Learnable Parameters
                >>> m = nn.BatchNorm1d(100) #num_features指的是randn(20, 100)中（N, C）的第二維C
                >>> # Without Learnable Parameters
                >>> m = nn.BatchNorm1d(100, affine=False)
                >>> input = autograd.Variable(torch.randn(20, 100)) #輸入Shape：（N, C）
                >>> output = m(input)  #輸出Shape：（N, C）

2.nn.BatchNorm2d(num_features)

        1.對小批量(mini-batch)3d數(shù)據(jù)組成的4d輸入進(jìn)行批標(biāo)準(zhǔn)化(Batch Normalization)操作
        2.num_features： 
                來自期望輸入的特征數(shù)，該期望輸入的大小為'batch_size x num_features x height x width'
                （輸入輸出相同）
                    輸入Shape：（N, C型奥，H, W)
                    輸出Shape：（N, C, H, W）
          eps： 為保證數(shù)值穩(wěn)定性（分母不能趨近或取0）,給分母加上的值瞳收。默認(rèn)為1e-5碉京。
          momentum： 動(dòng)態(tài)均值和動(dòng)態(tài)方差所使用的動(dòng)量。默認(rèn)為0.1螟深。
          affine： 一個(gè)布爾值谐宙，當(dāng)設(shè)為true，給該層添加可學(xué)習(xí)的仿射變換參數(shù)界弧。
        3.在每一個(gè)小批量（mini-batch）數(shù)據(jù)中凡蜻，計(jì)算輸入各個(gè)維度的均值和標(biāo)準(zhǔn)差。gamma與beta是可學(xué)習(xí)的大小為C的參數(shù)向量（C為輸入大泄富）
          在訓(xùn)練時(shí)咽瓷，該層計(jì)算每次輸入的均值與方差，并進(jìn)行移動(dòng)平均舰讹。移動(dòng)平均默認(rèn)的動(dòng)量值為0.1茅姜。
          在驗(yàn)證時(shí)，訓(xùn)練求得的均值/方差將用于標(biāo)準(zhǔn)化驗(yàn)證數(shù)據(jù)月匣。
        4.例子
            >>> # With Learnable Parameters
            >>> m = nn.BatchNorm2d(100) #num_features指的是randn(20, 100, 35, 45)中（N, C钻洒，H, W)的第二維C
            >>> # Without Learnable Parameters
            >>> m = nn.BatchNorm2d(100, affine=False)
            >>> input = autograd.Variable(torch.randn(20, 100, 35, 45))  #輸入Shape：（N, C，H, W)
            >>> output = m(input)

3.nn.BatchNorm3d(num_features)

        1.對小批量(mini-batch)4d數(shù)據(jù)組成的5d輸入進(jìn)行批標(biāo)準(zhǔn)化(Batch Normalization)操作
        2.num_features： 
                來自期望輸入的特征數(shù)锄开，該期望輸入的大小為'batch_size x num_features depth x height x width'
                （輸入輸出相同）
                 輸入Shape：（N, C素标，D, H, W)
                 輸出Shape：（N, C, D, H, W）

          eps： 為保證數(shù)值穩(wěn)定性（分母不能趨近或取0）,給分母加上的值。默認(rèn)為1e-5萍悴。
          momentum： 動(dòng)態(tài)均值和動(dòng)態(tài)方差所使用的動(dòng)量头遭。默認(rèn)為0.1。
          affine： 一個(gè)布爾值癣诱，當(dāng)設(shè)為true计维，給該層添加可學(xué)習(xí)的仿射變換參數(shù)。

        3.在每一個(gè)小批量（mini-batch）數(shù)據(jù)中撕予，計(jì)算輸入各個(gè)維度的均值和標(biāo)準(zhǔn)差鲫惶。gamma與beta是可學(xué)習(xí)的大小為C的參數(shù)向量（C為輸入大小）
          在訓(xùn)練時(shí)实抡，該層計(jì)算每次輸入的均值與方差欠母，并進(jìn)行移動(dòng)平均。移動(dòng)平均默認(rèn)的動(dòng)量值為0.1吆寨。
          在驗(yàn)證時(shí)赏淌，訓(xùn)練求得的均值/方差將用于標(biāo)準(zhǔn)化驗(yàn)證數(shù)據(jù)。
        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）的第二維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）的第二維C
            >>> input = autograd.Variable(torch.randn(20, 100, 35, 45, 10)) #輸入Shape：（N, C, D, H, W） 
            >>> output = m(input)

一技破萬法