# XNet GroupNorm 替换设计

## 1. 目标

将当前 `XNet2d` 的 2D 卷积主路径从 `BatchNorm2d` 切换到更适合 2D 图像分割、且对 batch size 更稳健的 `GroupNorm`，目标是：

1. 保持当前 2D 分割主线可训练。
2. 避免深层特征在 `batch_size=1` 或极小空间尺寸下因 `BatchNorm2d` 统计约束报错。
3. 采用工程上常见、对 2D 医学分割友好的默认方案。

## 2. 推荐方案

当前主线采用：

```text
CNN / 卷积块 -> GroupNorm
```

不修改 `lib/modules/lib_mamba/vmamba.py` 内部的 LayerNorm / BatchNorm 逻辑，本轮只覆盖 `XNet2d` 主路径直接使用的 2D 卷积归一化层。

## 3. 替换范围

### 3.1 代码

主要修改：

- `lib/modules/layers_2d.py`

受影响调用者：

- `lib/modules/xnet_2d.py`
- 可能还有同目录下复用 `Conv2dBN` / `DWConv2dBNReLU` 的模块

### 3.2 具体做法

1. 不保留 `Conv2dBN` 兼容名，直接引入 `Conv2dGN`。
2. 将 `Conv2dBN` 的调用点统一替换为 `Conv2dGN`。
3. `DWConv2dBNReLU` 重命名为 `DWConv2dGNReLU`，并将内部两个 `BatchNorm2d` 改为 `GroupNorm`。
4. 保留现有 `bn_weight_init` 参数语义，但内部作用到 `GroupNorm.weight`；如有必要，后续可再统一改名为更中性的参数名。

## 4. GroupNorm 策略

默认采用自动组数选择：

1. 优先尝试 `8` 组。
2. 若通道数不能被 `8` 整除，则递减选择能整除的组数。
3. 最差回退到 `1` 组。

这样可以兼顾：

- 常见通道数如 `8, 16, 24, 32, 64, 128, 192`
- 小通道层与深层大通道层
- 不额外强制用户手动配组数

## 5. 保守边界

本轮不做以下改动：

1. 不统一替换 `lib/modules/lib_mamba/vmamba.py` 中的 norm。
2. 不引入新的 YAML 配置项让用户在 BN/GN 间切换。
3. 不扩展为多种 norm 可配置框架，本轮直接收敛到 GN 命名与实现。

原因是本次目标是优先得到“2D 分割主线稳定、主流、可训练”的默认行为，而不是构建归一化实验框架。

## 6. 验证目标

需要验证三类证据：

1. `pytest -q tests/test_xnet_2d.py` 通过。
2. 最小训练烟测通过，且可在 `batch_size=1`、`64x64` 条件下至少跑通 1 个 epoch。
3. 代码搜索确认 `layers_2d.py` 中主线 2D 卷积归一化已不再使用 `BatchNorm2d`。

## 7. 风险与预期

风险：

1. 训练数值行为会和旧 BN 版本不同。
2. 已有历史实验结果与新结果不可直接横向对比。

预期收益：

1. 小 batch 与不固定 batch 更稳。
2. 2D 医学分割主线更符合常见工程实践。
3. 烟测不再受深层 `1x1` + BN 统计限制影响。