为什么使用imagenet_mean imagenet_std

图像预处理后还会进行类似：

img = img - imagenet_mean
img = img / imagenet_std

利用均值和标准差来进行归一化处理。

在机器学习领域中，不同评价指标（即特征向量中的不同特征就是所述的不同评价指标）往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，

为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。

归一化的目的就是使得预处理的数据被限定在一定的范围内（比如[0,1]或者[-1,1]），从而消除奇异样本数据导致的不良影响。

而使用Imagenet的均值和标准是一种常见的做法。如果你想在你自己的数据集上从头开始训练，你可以计算新的平均值和标准。否则，建议使用Imagenet预试模型自己的平均值和标准。

一般来说，如果是自然场景下的图片，使用Imagenet的场景统计数据进行规范化即可；若是非自然场景下的图片(医学图像，卫星地图，手绘)，则可以在模型训练之前正确地规范化你的数据集（计算新的平均值和标准）。