PyTorch ResNet50训练中数据归一化与Batch Normalization必要性问询

我在使用PyTorch的ResNet50训练图像数据集时，采用了如下流程：

1. 计算整个数据集的均值和标准差，通过以下代码在PyTorch的ImageFolder中完成图像归一化：

data_transform = transforms.Compose([
    transforms.Resize(input_size),
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(0.1,0.1,0.1),
    transforms.ToTensor(),
    transforms.Normalize([0.554, 0.450, 0.343],[0.231, 0.241, 0.241]),
]) 
data = datasets.ImageFolder(root=data_directory, transform=data_transform)

2. 使用PyTorch的ResNet50进行训练，该模型架构中内置了Batch Normalization（如下图所示）。
   

技术问题 #

Q1：是否需要同时使用这两种归一化方式，还是仅使用其中一种即可？
Q2：选择对应归一化方案的依据是什么？

Q1：是否需要同时使用两种归一化？ #

需要同时使用，二者作用场景和目标完全不同，不存在互斥关系，是互补的训练优化手段。

Q2：选择方案的依据 #

数据集级归一化（transforms.Normalize） #

• 核心作用：将ToTensor()输出的[0,1]范围像素值，调整为均值接近0、方差接近1的分布，统一输入数据的全局分布，避免不同通道像素值差异过大拖慢模型收敛速度。
• 选择依据：这是计算机视觉任务的标准预处理步骤——如果用预训练ResNet50权重，必须匹配预训练时的输入归一化参数，否则预训练权重的效果会大打折扣；即使从头训练，也能让输入分布更符合模型训练预期，加速收敛。

Batch Normalization（模型内置） #

• 核心作用：在模型训练时，对每个批次的中间特征做归一化，解决内部协变量偏移问题——即网络深层的输入分布会随前层参数更新不断变化，导致模型需要持续适应新分布，训练效率低下。Batch Norm固定中间特征的均值和方差，让每层输入分布更稳定，同时能起到轻度正则化效果，抑制过拟合。
• 选择依据：这是深层神经网络（如ResNet50）训练的必备优化手段，能有效缓解梯度消失/爆炸问题，让深层模型更容易训练，最终提升模型精度。

内容的提问来源于stack exchange，提问作者vasu sharma