位置: IT常识 - 正文
【Pytorch基础知识】数据的归一化和反归一化(pytorch基本操作)
编辑：rootadmin推荐整理分享【Pytorch基础知识】数据的归一化和反归一化(pytorch基本操作)，希望有所帮助，仅作参考，欢迎阅读内容。
文章相关热门搜索词:学pytorch的基础,pytorch基本操作,pytorch入门到进阶,pytorch入门,pytorch基础教程,pytorch零基础,pytorch基础教程,pytorch详解,内容如对您有帮助，希望把文章链接给更多的朋友！
一张正常的图，或者说是人眼习惯的图是这样的：
但是，为了神经网络更快收敛，我们在深度学习网络过程中通常需要将读取的图片转为tensor并归一化（此处的归一化指transforms.Normalize()操作）输入到网络中进行系列操作。
如果将转成的tensor再直接转为图片，就会变成下图，和我们眼睛看到是不一样感觉。
这是因为，将图片转为tensor并归一化，tensor之中会有负值，和我们正常看到的是不一样的，如果不进行反归一化到 [0,1]，就会变成下图，会觉得变扭。
我们正常看到的图片tensor是[0,255]或者[0,1]
解释：transforms.Normalize()归一化后的图像，满足均值为0方差为1，被限定在一定的数值内，一般的数值为[-1,1]。
这个过程中，我们需要进行如下操作，才能把图片转为tensor操作再转为图片（人眼习惯的）。这里的tensor操作是transforms系列操作。
归一化的目的：使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响。数据归一化处理后，可以加快梯度下降求最优解的速度，且有可能提高精度（如KNN）。
反归一化的目的：为了还原原来人眼可以识别的图。
归一化一幅图片的格式为【批数据的数量× 通道数× 高× 宽】：
接下来开始计算mean 和 std：
nb_samples = 0#创建3维的空列表channel_mean = torch.zeros(3)channel_std = torch.zeros(3)print(image.shape)N, C, H, W = image.shape[:4]image = image.view(N, C, -1) #将w,h维度的数据展平，为batch，channel,data,然后对三个维度上的数分别求和和标准差print(image.shape)#展平后，w,h属于第二维度，对他们求平均，sum(0)为将同一纬度的数据累加channel_mean += image.mean(2).sum(0) #展平后，w,h属于第二维度，对他们求标准差，sum(0)为将同一纬度的数据累加channel_std += image.std(2).sum(0)#获取所有batch的数据，这里为1nb_samples += N#获取同一batch的均值和标准差channel_mean /= nb_sampleschannel_std /= nb_samplesprint(channel_mean, channel_std)然后利用transforms.Normalize 进行转换：
normalizer = transforms.Normalize(mean=channel_mean, std=channel_std)# 归一化后得到可处理的值data = normalizer(image)反归一化根据归一化计算得到的mean和std，我们可以反推出反归一化的 mean 和 std，从而利用 transforms.Normalize 进行转换，计算方法如下：
MEAN是指归一化时计算出来的均值，de_MEAN是计算出来反归一化的均值，后面需要用。
综合上面的讲解及代码，整合最后的代码为下：
# 定义一个image图像，torch.Size([1, 3, 319, 256])image = torch.rand([1,3,319,256])# 计算原图的 mean 和stdnb_samples = 0#创建3维的空列表channel_mean = torch.zeros(3)channel_std = torch.zeros(3)print(image.shape)N, C, H, W = image.shape[:4]#将w,h维度的数据展平，为batch，channel,data,然后对三个维度上的数分别求和和标准差image = image.view(N, C, -1) print(image.shape)#展平后，w,h属于第二维度，对他们求平均，sum(0)为将同一纬度的数据累加channel_mean += image.mean(2).sum(0) #展平后，w,h属于第二维度，对他们求标准差，sum(0)为将同一纬度的数据累加channel_std += image.std(2).sum(0)#获取所有batch的数据，这里为1nb_samples += N#获取同一batch的均值和标准差channel_mean /= nb_sampleschannel_std /= nb_samplesprint(channel_mean, channel_std)# 这是归一化的 mean 和std channel_mean = torch.tensor([-0.5321, -0.8102, -0.5532])channel_std = torch.tensor([1.2582, 1.0009, 0.9211])# 这是反归一化的 mean 和std MEAN = [-mean/std for mean, std in zip(channel_mean, channel_std)]STD = [1/std for std in channel_std]# 归一化和反归一化生成器normalizer = transforms.Normalize(mean=channel_mean, std=channel_std)denormalizer = transforms.Normalize(mean=MEAN, std=STD)# 归一化得到可处理的值data = normalizer(image)# 反归一化得到原图image2 = denormalizer(data)image ≈ image2
因为浮点数计算有误差，所以不会完全一样，但是问题不大~
这样就可以得到tensor转换后的原图了。
好了，大功告成，完结撒花！欢迎关注、点赞、收藏、评论、分享给好友，一起学习有趣的新知识！！！
上一篇：原生js获取元素的各种位置(大全）(原生js获取元素高度)
下一篇：vue中Number方法将字符串转换为数字(vue的number)
