这是我们手写的 CNN 网络中第三个经典算法。

在 resnet50 这个神经网络中，总共有 conv , bn, relu, pooling, fc(全连接）, softmax 这几个经典算法。

而conv，pooling 在之前的章节已经手写过了，relu 属于一行代码就可以写完的算法，很简单可以暂时忽略，fc(全连接）可以直接用 conv 替换，或者简化一下 conv 的逻辑就可以，softmax 的算法在后面实践时可用可不用。

也就是说，核心算法只剩下 bn 这一个了，这么一看，其实一个经典的神经网络算法并不是多，关键就是如何灵活使用，以及如果做算法等价变换。

在手写完 bn 这个算法之后，后面就基本可以进入到网络结构方面的内容，然后一步步的将网络结构用我们手写的算法搭建起来，这样离完成一个神经网络的推理就不远了，继续加油。

还是先继续 bn 这一个算法的实现吧，它的原理和背景参考前两节内容。

算法实现介绍

bn 的算法说的是在 mini-batch 中进行归一化，这里我们只做推理，不做训练，因此我们针对推理部分来写。

首先，推理和训练的区别就在于，训练时输入给模型的是很多张图片，用我们习惯的数据表示方法是[n, h, w, c]， 其中 n 代表的是 n 张图片，h,w,c分别为图片的长宽和通道数。

在推理时，n = 1，也就是说，我们一次只会推理一张图片。

那么此时 bn 算法就变得很简单了。在训练过程已经把累计平均值和累计方差计算出来了，并且作为了 bn 这一层的参数，我们直接拿来用就行。

<