Instance Normalization（实例归一化） 是一种标准化技术，与 Batch Normalization 类似，但它对每个样本独立地对每个通道进行归一化，而不依赖于小批量数据的统计信息。这使得它非常适合小批量训练任务以及图像生成任务（如风格迁移）。
Instance Normalization 的原理
对每个样本 xx 的每个通道 cc 独立进行标准化。
对于输入数据 
（以二维输入为例）：
1. 计算每个通道的均值和方差：
-
- n：样本索引。
- c：通道索引。
- H,W：输入的高度和宽度。
2. 归一化：
-
- ϵ 是一个小值，用于防止除零。
3. 缩放和平移：
- γc 和 βc 是可学习参数，用于恢复表达能力。
Instance Normalization 的特点
- 独立于批量大小：每个样本独立进行归一化，解决了小批量训练中均值和方差不稳定的问题。
- 适用于风格迁移任务：在风格迁移中，Instance Normalization 能更好地捕捉图像的风格特征。
- 不适合特征间强相关任务：Instance Normalization破坏了样本之间的特征相关性，因此不适用于依赖特征间关系的任务（如分类）。
PyTorch 中的 InstanceNorm 类
PyTorch 提供了以下三种适用于不同输入维度的 Instance Normalization 类：
torch.nn.InstanceNorm1d：适用于一维数据（如序列或嵌入向量）。torch.nn.InstanceNorm2d：适用于二维数据（如图像）。torch.nn.InstanceNorm3d：适用于三维数据（如视频或体数据）。
1. torch.nn.InstanceNorm1d
参数：
num_features：输入的通道数。eps：
