归一化-Normalize

1)没有N,只针对每个通道进行归一化。输入图像应该是（C,H,W）个格式

代码：

#%%
import torch
from torchvision import transforms

#%% 数据矩阵

C= 2
H= 2
W= 2
arry = torch.arange(C*H*W,dtype=torch.float32).view([C,H,W])
print('输入矩阵：',arry)

#%% pytorch归一化
mean = [2,2]
std  = [2,2]
n = transforms.Normalize(mean=mean,std=std)
print('pytorch归一化：',n(arry))

#%% 公式归一化
for c in range(C):
    print('公式归一化，通道%d：'%c,(arry[c]-mean[c]) / std[c])

输出：

输入矩阵： tensor([[[0., 1.],
         [2., 3.]],

        [[4., 5.],
         [6., 7.]]])

pytorch归一化： tensor([[[-1.0000, -0.5000],
         [ 0.0000,  0.5000]],

        [[ 1.0000,  1.5000],
         [ 2.0000,  2.5000]]])

公式归一化，通道0： tensor([[-1.0000, -0.5000],
        [ 0.0000,  0.5000]])
公式归一化，通道1： tensor([[1.0000, 1.5000],
        [2.0000, 2.5000]])

结论：pytorch的transforms.Normalize(mean,std)确实是每个通道减去均值，除以标准差获得归一化图像