track_running_stats，这个翻译过来，就是“追踪运行中的统计值”，这里stats统计值包括均值、方差。
    1、track_running_stats=False，不追踪，那就是每个mini-batch过来独立计算，跟历史数据无关。
    2、track_running_stats=True，如果追踪，分情况讨论
    ① train阶段：会学习历史数据的stat，用于每次mini-batch，而且存下权重，eval阶段要用
    ② eval阶段：不再更新bn层的权重值，也不使用mini-batch的stat，而是bn层在train学到的stat 

    1. """ bn层，track机制实验，存储在runing_mean、runing_var的历史值"""
    3. import torch
    4. from torch import nn
    6. batch1 = torch.tensor([[[[1.0, 2.0]]]])
    7. batch2 = torch.tensor([[[[3.0, 4.0, 5.0]]]])
    9. bn = nn.BatchNorm2d(1, track_running_stats=True)
    10. print(bn.running_mean, bn.running_var)
    11. # (tensor([0.]), tensor([1.]))，均值和方差初始值是0和1
    13. bn(batch1)
    14. print(bn.running_mean, bn.running_var)
    15. # (tensor([0.1500]), tensor([0.9500]))
    16. # 前传batch1后，记录了均值和方差，因为momentum=0.1数值差了一点
    17. # 更新的mean=0.9*旧值0 + 0.1*新值1.5=0.15
    18. # new_var = 0.9*1 + 0.1*0.5 = 0.95
    19. print(batch1.mean(), batch1.var())
    20. # (tensor(1.5000), tensor(0.5000))
    22. bn(batch2)
    23. print(bn.running_mean, bn.running_var)
    24. # tensor([0.5350]) tensor([0.9550])
    25. print(batch2.mean(), batch2.var())
    26. # tensor(4.) tensor(1.)