bachnorm算子onnx生产

### 创建BatchNorm算子

为了在ONNX中生成`BatchNorm`算子，需遵循特定的数据流图构建模式以及参数设置。以下是具体实现方法：

#### 定义输入张量
首先定义必要的输入张量，包括待标准化的数据、缩放因子(scale)、偏移(bias)，均值(mean)和方差(variance)[^1]。

import numpy as np
from onnx import helper, TensorProto

X = helper.make_tensor_value_info('input', TensorProto.FLOAT, [None, C, H, W])  # 输入数据形状[N,C,H,W]
scale = helper.make_tensor_value_info('scale', TensorProto.FLOAT, [C])
B = helper.make_tensor_value_info('bias', TensorProto.FLOAT, [C])
mean = helper.make_tensor_value_info('mean', TensorProto.FLOAT, [C])
var = helper.make_tensor_value_info('var', TensorProto.FLOAT, [C])

#### 设置属性
接着配置一些重要的超参用于控制批处理规范化的行为，比如epsilon防止除零错误的小常数项；momentum则通常不作为静态图的一部分而是训练过程中的动态变量，在此可以忽略[^2]。

attributes = {
    'epsilon': 1e-5,
}

#### 构建节点
利用上述准备好的信息来构造实际的计算单元——即BatchNormalization Node，并指定其操作类型为"BatchNormalization"。

node_def = helper.make_node(
    "BatchNormalization",
    inputs=['input', 'scale', 'bias', 'mean', 'var'],
    outputs=['output'],
    **attributes
)

#### 输出张量声明
最后同样要明确定义输出Tensor的信息以便后续连接其他层或执行推理任务时能够识别结果维度等特性。

Y = helper.make_tensor_value_info('output', TensorProto.FLOAT, [None, C, H, W])

通过以上步骤即可完成一个简单的BatchNorm Operator的创建流程。值得注意的是这里仅展示了最基础的功能搭建方式，对于更复杂的场景可能还需要考虑更多细节上的调整优化。