Pytorch中的transforms.Normalize()介绍

最新推荐文章于 2024-08-16 18:06:49 发布

道2024

最新推荐文章于 2024-08-16 18:06:49 发布

阅读量2.3w

点赞数 17

分类专栏： pytorch 文章标签： pytorch

本文链接：https://blog.csdn.net/qq_38406029/article/details/115089644

版权

pytorch 专栏收录该内容

31 篇文章 18 订阅

订阅专栏

本文介绍了数据预处理中的图像标准化方法，通过Normalize()函数将图像转换为标准高斯分布，有助于模型快速收敛。具体操作包括调整图像大小、转为Tensor并进行标准化处理。以ResNet18为例，展示了预训练模型结合数据转换的使用，其中mean和std值是针对特定数据集计算得出的常量。

摘要由CSDN通过智能技术生成

1.数据标准化

Normalize()函数的作用是将数据转换为标准高斯分布，即逐个 $c h a n n e l$ 的对图像进行标准化（均值变为 $0$ ，标准差为 $1$ ），可以加快模型的收敛，具体的采

$m e a n$ ：各通道的均值
$s t d$ ：各通道的标准差
$i n p l a c e$ ：是否原地操作
$output[channel]=\frac{input[channel]-mean[channel]}{std[channel]}$

2.代码实例

经常看到的 $m e a n = [0.485, 0.456, 0.406]$ , $s t d = [0.229, 0.224, 0.225]$ 表示的是从数据集中随机抽样计算得到的。

from torchvision import models, transforms

# 迁移学习，预训练模型
net = models.resnet18(pretrained=True)

# 数据转换
image_transform = transforms.Compose([
    # 将输入图片resize成统一尺寸
    transforms.Resize([224, 224]),
    # 将PIL Image或numpy.ndarray转换为tensor，并除255归一化到[0,1]之间
    transforms.ToTensor(),
    # 标准化处理-->转换为标准正太分布，使模型更容易收敛
	transforms.Normalize(
		mean=[0.485, 0.456, 0.406],
		std=[0.229, 0.224, 0.225])
	])