conv 算法和 bn 算法都介绍过了，这里来看一个属于两者优化方面的知识：
为什么在一些情况下，我们需要将 conv 和 bn 融合起来呢，为什么他们可以融合以及怎么融合呢？
首先神经网络的性能很重要这是老生常谈的话题了。将两个算法融合成一个算法，目的肯定就是为了提高神经网络的性能。
这里引入一点计算机中计算的知识：
传统的冯诺依曼架构的计算机，是将数据的存储和计算分离开的。
也就是说，要计算的数据是放在存储器上，而负责计算的硬件是另一个单独的计算单元。在计算时需要将数据从存储器上搬运到计算单元上，完成计算后再搬运回存储器上。
就像是在厨房做饭，数据就是菜，如果做饭需要先将菜从冰箱里拿出来，放在锅里炒，炒完再放回餐盘中。
这其中，冰箱就是存储器，锅就是计算单元，而餐盘是另一个存储器。
这是典型的冯诺依曼架构，现在大部分电脑和计算芯片依旧采用的还是这个架构。
在我们的笔记本电脑中，存储器一般指的是内存或者硬盘，计算单元就是CPU。
将数据从内存搬运到 CPU 中是需要时间的，虽然时间很短。
假设 conv 计算的输出数据是 [1, ho, wo, co]，然后给到下一层 BN 来计算。如果将这个输出数据 [ho, wo, co] 存回存储器，下一层 BN 再去存储器上搬过来，这一来一回的时间就浪费了。
于是，我们就想到了一个方法，将 conv 和 bn 融合成一个算法，这样只需要在锅里做一道 conv+bn 的菜，做完后直接放回餐盘中即可，而conv 的输