The moving mean and variance are not updated in BatchNorm when using ParallelDo Op.

[qingqing01]

• 背景及问题：
  models 图像分类、MobileNet-SSD检测、OCR识别任务都遇到问题： 使用了ParallelDo Op训练单机多卡的模型，遇到train集的cost收敛，但test集的评估结果完全错误。

• 原因：
  单机多卡时BatchNorm里的moving mean/variance，也就是: https://github.com/PaddlePaddle/Paddle/blob/develop/python/paddle/fluid/layers/nn.py#L1517 这里的参数没有更新，导致test集使用的moving mean/var 还是一开始随机初始化(或加载的初始化模型)的参数。

• Debug方法：
  分别在【不使用】ParallelDo和【使用】ParalellDo时，打印batch_norm_xx.w_1/2参数，可发现moving mean/var是否变化。比如在我在MobileNet-SSD任务里，打印代码如下：

  def test(pass_id):
      map_eval.reset(exe)
      test_map = None
      for _, data in enumerate(test_reader()):
          m1, test_map, loss_v = exe.run(test_program,
                             feed=feeder.feed(data),
                             fetch_list=[map, accum_map, loss])
      print("Test {0}, map {1}, loss {2}".format(pass_id, test_map[0], loss_v[0]))
      t = fluid.global_scope().find_var('batch_norm_34.w_1').get_tensor()
      t = np.array(t).astype(np.float32).flatten()
      print('batch_norm_34.w_1', t[0:20])