记录一些数据处理的代码

1.计算图片数据集各通道的均值和方差

在加载图片数据集时，有时有对图片进行归一化的需求，这时候就需要得到数据集图片各通道的均值和方差。

from torchvision.transforms import ToTensor#用于把图片转化为张量
import numpy as np#用于将张量转化为数组，进行除法
from torchvision.datasets import ImageFolder#用于导入图片数据集
from torchvision import transforms

means = [0,0,0]
std = [0,0,0]#初始化均值和方差
transform=ToTensor()#可将图片类型转化为张量，并把0~255的像素值缩小到0~1之间
dataset=ImageFolder("../clr/clr/",transform=transform)#导入数据集的图片，并且转化为张量
num_imgs=len(dataset)#获取数据集的图片数量

num_imgs=len(dataset_train)
for img,_ in dataset_train:#遍历数据集的张量和标签
    for i in range(3):#遍历图片的RGB三通道
        # 计算每一个通道的均值和标准差
        means[i] += img[0][i, :, :].mean()
        std[i] += img[0][i, :, :].std()
mean=np.array(means)/num_imgs
std=np.array(std)/num_imgs#要使数据集归一化，均值和方差需除以总图片数量
print(mean,std)#打印出结果
with open('mean_std.txt','w') as f:
    f.write("mean:"+str(mean)+'\n')
    f.write("std:"+str(std) + '\n')

2.反归一化：

在加载数据集时，一般会进行归一化，最后再测试模型时，一般需要反归一化，才能使得图片正常显示出来。
先通过原归一化使用的通道均值和方差，计算反归一化的通道均值，如下：

channel_mean = torch.tensor([0.5, 0.5, 0.5])
channel_std = torch.tensor([0.5, 0.5, 0.5])
MEAN = [-mean / std for mean, std in zip(channel_mean, channel_std)]
STD = [1 / std for std in channel_std]

再类似归一化的操作。

 img= transforms.Normalize(mean=MEAN, std=STD)(img)

3.待补充。。。

参考文献

1.简单教你计算图片数据集的均值和方差