为什么我需要将之前的通道数传递给批规范化？批规范化应该对批次中的每个数据点进行归一化，为什么它还需要通道数呢？

回答：

批规范化具有可学习的参数，因为它包括一个仿射变换。

根据 nn.BatchNorm2d 的文档说明：

均值和标准差是基于小批次在每个维度上计算的，γ和β是大小为C的可学习参数向量（其中C是输入大小）。默认情况下，γ的元素设置为1，β的元素设置为0。

由于规范化是按通道计算的，参数γ和β是大小为num_channels的向量（每个通道一个元素），这导致每个通道都有单独的缩放和偏移。像PyTorch中的任何其他可学习参数一样，它们需要以固定大小创建，因此您需要指定通道数。

batch_norm = nn.BatchNorm2d(10)# γbatch_norm.weight.size()# => torch.Size([10])# βbatch_norm.bias.size()# => torch.Size([10])

注意：设置 affine=False 时不使用任何参数，也不需要通道数，但仍然需要指定它们，以便保持一致的接口。