编写pytorch代码，对数据进行归一化，对训练集进行 fit 操作，再对训练集和测试集进行 transform 操作，保证训练集和测试集的归一化方式相同

可以使用PyTorch中的torchvision.transforms模块来进行数据的归一化操作，具体步骤如下：

1. 导入torchvision.transforms模块

import torchvision.transforms as transforms

2. 定义一个transform对象用于对数据进行归一化操作

transform = transforms.Compose([
    transforms.ToTensor(),  # 将数据转换成Tensor格式
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])  # 归一化操作
])

其中，mean和std分别表示每个通道的均值和标准差，可以根据实际情况进行修改。

3. 对训练集进行fit操作

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=2)

mean = 0.
std = 0.
nb_samples = 0.
for data, labels in trainloader:
    batch_samples = data.size(0)
    data = data.view(batch_samples, data.size(1), -1)
    mean += data.mean(2).sum(0)
    std += data.std(2).sum(0)
    nb_samples += batch_samples

mean /= nb_samples
std /= nb_samples

4. 对训练集和测试集进行transform操作

trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transforms.Compose([
                                            transforms.ToTensor(),
                                            transforms.Normalize(mean=mean, std=std)
                                        ]))

testset = torchvision.datasets.CIFAR10(root='./data', train=False,
                                       download=True, transform=transforms.Compose([
                                           transforms.ToTensor(),
                                           transforms.Normalize(mean=mean, std=std)
                                       ]))

在这个例子中，我们首先使用训练集对数据进行了fit操作，然后使用相同的均值和标准差对训练集和测试集进行了transform操作。这样可以保证训练集和测试集的归一化方式相同。