BN（Batch Normalization）層：BN層的作用是對神經網絡的輸入進行標準化處理，以加速神經網絡的訓練過程。通過對每個mini-batch的輸入進行標準化，可以減少網絡內部的協變量偏移，提高網絡的收斂速度和穩定性。
Scale層：Scale層通常與BN層一起使用，用于對BN層輸出的標準化結果進行縮放和平移操作，以恢復神經網絡的表達能力。Scale層可以學習到每個特征的縮放系數和偏置量，使得神經網絡可以更好地適應不同的數據分布。
ReLU（Rectified Linear Unit）層：ReLU層是一種激活函數，常用于神經網絡的隱藏層。ReLU函數可以將小于0的輸入值置為0，保持大于0的輸入值不變，從而引入非線性因素，提高神經網絡的表達能力和擬合能力。ReLU函數還具有稀疏性和抑制過擬合的作用，能夠加速神經網絡的訓練過程并提高性能。
