批次归一化对每个神经元都进行了归一化，或者说对每个特征都进行了归一化，并且用可学习的参数
和
进行重构。
那么如果卷积神经网络有3个通道，长和宽都是244，BN将需要学习3*244*244*2个参数，计算量是不是太大了？
实际上BN在CNN中只学习了3*2个参数，这里也有一个参数共享，它把一个特征图作为一个神经元，也就是说，对于同一个特征图，不同的像素点，采用的均值和方差是一样的。
那么具体计算均值和方差的时候应该怎么做呢？BN相当于把一个特征图的每个像素点都看成是这个特征的样本，因此，假设一个mini batch的数据是8*3*224*224，那么对于其中一个通道（特征图）的不同样本，就是8*244*244个像素，直接flatten，然后再计算mean和var即可，对每个特征图，都这样计算一次。
以上是个人的理解，网上查不到太多关于BN是“如何把一个特征图作为一个特征”的资料，并且pytorch的源码追不到这里面的细节，唯一的参考链接如下，也在github上进行了一点查证。如果有不对的地方，欢迎大佬指正，感激不尽。
参考的链接：
https://www.cnblogs.com/king-lps/p/8378561.html
