归一化维度：

• BN: 对每个特征在batch维度上进行归一化。如下所示，batch size为4，通道为3，图片大小为240x240.BN对每个通道的数据进行归一化，总共进行了3次。

• LN: 对每个样本在特征维度上进行归一化。如下所示，LN对每个样本进行了归一化，总共进行了4次。

计算方式：

• BN: 计算每个特征在整个batch中的均值和方差。

• LN: 计算每个样本的所有特征的均值和方差。

适用场景：

• BN: 更适合固定大小的batch和CNN。

• LN: 更适合RNN和Transformer等序列模型，以及batch size较小的情况。

Batch size依赖性：

• BN: 性能强烈依赖于batch size，小batch size可能导致性能下降。

• LN: 不依赖batch size，对batch size的变化不敏感。

特征独立性：

• BN: 假设特征之间是独立的。

• LN: 不假设特征之间的独立性。

训练和推理一致性：

• BN: 训练和推理阶段的行为可能不同，需要额外的操作来处理。

• LN: 训练和推理阶段的行为一致。

参数共享：

• BN: 在同一层的不同通道间共享参数。

• LN: 在同一层的所有神经元间共享参数。

计算复杂度：

• BN: 在batch维度上计算，计算复杂度较高。

• LN: 在特征维度上计算，计算复杂度相对较低。

适应性：

• BN: 在处理输入分布变化时可能更有效。

• LN: 对输入分布的变化不太敏感。

模型泛化能力：

• BN: 可能会引入一些噪声，有助于提高模型的泛化能力。

• LN: 不引入额外噪声，但可能在某些情况下泛化能力略逊于BN。

总结：