torch.nn.BatchNorm1d()
1、BatchNorm1d(num_features, eps = 1e-05, momentum=0.1, affine=True)
对于2d或3d输入进行BN。在训练时，该层计算每次输入的均值和方差，并进行平行移动。移动平均默认的动量为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。
num_features:表示输入的特征数。该期望输入的大小为'batch_size x num_features [x width]'
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）
2、BatchNorm2d(同上)
对3d数据组成的4d输入进行BN。
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'
Shape： - 输入：（N, C，H, W) - 输出：（N, C, H, W）（输入输出相同）
3、BatchNorm3d(同上)
对4d数据组成的5d输入进行BN。
以上这篇pytorch的batch normalize使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持北冥有鱼。
![[Pytorch框架] 5.1 kaggle介绍](https://www.kunjuke.com/file/css/thumb/5.jpg/280-180.jpg)
![[Pytorch框架] 1.4 Autograd：自动求导](https://www.kunjuke.com/file/css/thumb/6.jpg/280-180.jpg)