BN 基础已拆回第二讲架构支撑；Source／Norm／Tent 三臂保留适应参考。 已按模块／目标／统计的实际职责拆分，原页面整体保留归档。
部署时只有模型与无标签图像，先看BN究竟有哪两步。每个通道用均值与方差规范化，再由可学习的γ、β缩放和平移。蓝色统计回答“参照哪组数据”，紫色参数回答“怎样再变换”。同一激活与不同batch同伴一起估计统计，规范化结果便可能改变；这不需要梯度。把三臂放回同一图：Source使用固定源统计与参数；Norm改用目标batch统计、不做参数更新；Tent再用熵更新所选BN affine。当前batch估计、累积running buffers、参数梯度是三个动作。本课Norm/Tent禁用running buffers，标签不进入适应。
部署时只有模型与无标签图像，先看BN究竟有哪两步。每个通道用均值与方差规范化，再由可学习的γ、β缩放和平移。蓝色统计回答“参照哪组数据”，紫色参数回答“怎样再变换”。同一激活与不同batch同伴一起估计统计，规范化结果便可能改变；这不需要梯度。把三臂放回同一图：Source使用固定源统计与参数；Norm改用目标batch统计、不做参数更新；Tent再用熵更新所选BN affine。当前batch估计、累积running buffers、参数梯度是三个动作。本课Norm/Tent禁用running buffers，标签不进入适应。 BN公式依据PyTorch BatchNorm2d；每通道统计覆盖N×H×W，当前前向方差为biased估计。Source eval使用源running统计并冻结；本课Norm/Tent均track_running_stats=False且running_mean/var=None，只有Tent更新所选BN affine。详细预测时点集中在熵更新页。Tent 2020-06-18预印本／ICLR 2021。