下面通过举个例子来说明Batch Normalization的原理，我们假设在网络中间经过某些卷积操作之后的输出的feature map的尺寸为4×3×2×2，4为batch的大小，3为channel的数目，2×2为feature map的长宽
整个BN层的运算过程如下图：
上图中，batch size一共是4, 对于每一个batch的feature map的size是3×2×2
对于所有batch中的同一个channel的元素进行求均值与方差，比如上图，对于所有的batch，都拿出来最后一个channel，一共有4×2×2=16个元素
然后求区这16个元素的均值与方差。求取完了均值与方差之后，对于这16个元素中的每个元素进行减去求取得到的均值，并除以方差，然后乘以gamma加上beta，公式如下：
因为求取的均值与方差是对于所有batch中的同一个channel进行求取，batch normalization中的batch体现在这个地方
在pytorch求取batch normalization的函数是nn.BatchNorm2d()，其传入参数是channels数，例如上面的例子中，
nn.BatchNorm2d(3)
：开/闭运算，形态学梯度、顶帽/黑帽morphologyEx())
：腐蚀/膨胀：enrode(),dilate())
)
,pyrUp(),resize())
