bn层pytorch代码

在PyTorch中，使用Batch Normalization层可以通过torch.nn.BatchNorm2d或torch.nn.BatchNorm1d类来实现。这两个类分别用于处理2D和1D数据。

下面是一个示例代码，展示如何在PyTorch中使用Batch Normalization层：

import torch
import torch.nn as nn

# 定义一个网络模型
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, kernel_size=3)
        self.bn1 = nn.BatchNorm2d(64)
        self.conv2 = nn.Conv2d(64, 128, kernel_size=3)
        self.bn2 = nn.BatchNorm2d(128)
        self.fc = nn.Linear(128 * 10 * 10, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = torch.relu(x)
        x = self.conv2(x)
        x = self.bn2(x)
        x = torch.relu(x)
        x = x.view(x.size(0), -1)  # 将特征展平
        x = self.fc(x)
        return x

# 创建一个模型实例
net = Net()

# 使用Batch Normalization层的模型
input = torch.randn(32, 3, 28, 28)  # 输入数据
output = net(input)  # 前向传播计算结果

在这个示例中，我们定义了一个简单的卷积神经网络模型，其中包含两个卷积层和两个Batch Normalization层。在forward方法中，我们按照顺序应用了卷积、Batch Normalization和激活函数。最后通过全连接层进行分类。

请注意，在模型的forward方法中，我们使用了torch.relu函数来应用ReLU激活函数。这是因为Batch Normalization层之后一般会使用激活函数。