技术问询：当scale=1且B=0时，InstanceNormalization层能否与卷积融合？

当scale=1且B=0时，InstanceNormalization（实例归一化）层无法和Convolution（卷积）层融合，核心原因如下：

• 先明确简化后的实例归一化计算逻辑：当scale=1、B=0时，实例归一化的公式为y = (x - mean) / sqrt(variance + epsilon)，这里的mean（均值）和variance（方差）是每个输入实例的每个通道单独计算的统计量，完全依赖当前输入的实例数据，并非固定不变的预设参数。
• 卷积层是基于固定参数的线性操作，输出由卷积核权重和偏置计算得出。而层融合的核心是将多个层的计算逻辑转化为等价的单一固定参数层——比如卷积+批量归一化（BN）能实现融合，是因为BN在推理阶段使用的是预先统计好的全局均值和方差，属于固定值，可以和卷积参数合并。
• 无论训练还是推理阶段，实例归一化的均值、方差都会随输入实例变化：训练时每个批次里的每个实例都要单独计算对应通道的统计量，推理时单输入实例也得实时计算这些值，这些动态变化的统计量无法提前与卷积的固定参数绑定，因此没法将实例归一化的操作整合到卷积层的参数中实现融合。

内容的提问来源于stack exchange，提问作者QinChao