在训练时使用Batch Normalization层，通常可以通过计算当前批次数据的均值和方差来归一化数据。但是，这个统计信息仅仅是计算当前批次数据的，因此在测试时使用它可能会导致不稳定的结果。为了得到更加稳定的归一化结果，可以通过在训练时使用运行时的统计信息来实现。

在实际应用中，BatchNorm可以使用提前计算好的均值和方差来计算当前批次的统计信息。这种方法使用的统计信息是存储在BatchNorm层的running_mean和running_var属性中。在训练时，BatchNorm层使用当前批次的数据更新均值和方差，但是会保留running_mean和running_var属性的历史数据。在测试时，BatchNorm层使用这些running_mean和running_var属性的历史数据进行标准化。

下面是一个使用PyTorch的示例，演示如何使用running_mean和running_var属性：

import torch
import torch.nn as nn


class SimpleNet(nn.Module):
    def __init__(self, use_bn):
        super().__init__()
        self.fc1 = nn.Linear(10, 20)
        self.bn1 = nn.BatchNorm1d(20)
        self.fc2 = nn.Linear(20, 1)
        self.use_bn = use_bn

    def forward(self, x):
        x = self.fc1(x)
        if self.use_bn:
            x = self.bn1(x)
        x = torch.relu(x)
        x = self.fc2(x)
        return x


# define some input data
inputs = torch.randn(32, 10)

# create a network and train it with/without BN and running stats
for use_bn in [True, False]:
    net = SimpleNet(use_bn=use_bn)
    optimizer = torch.optim.SGD(net.parameters(), lr