深度学习：图像预处理中的T.Normalize(mean=mean, std=std)作用是什么？

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

T.Normalize(mean=mean, std=std) 是图像预处理中常用的归一化操作，它会对输入图像的每个通道进行标准化处理。其中mean和std表示整个训练集图片的均值和标准差。

均值与标注差取值

• 通用数据集均值和标准差：如果使用的是常见的数据集（如 ImageNet、COCO 等），通常会直接使用这些数据集的全局均值和标准差。例如：

  mean = [0.485, 0.456, 0.406]
  std = [0.229, 0.224, 0.225]
  

• 自定义数据集计算：如果是自定义数据集，则可以通过编写脚本统计整个训练集的均值和标准差，用于更贴合实际分布的归一化。
  示例代码片段：

  import numpy as np
  from torch.utils.data import DataLoader
  
  loader = DataLoader(dataset, batch_size=...)
  mean = 0.
  std = 0.
  for images, _ in loader:
      batch_samples = images.size(0)
      images = images.view(batch_samples, images.size(1), -1)
      mean += images.mean(2).sum(0)
      std += images.std(2).sum(0)
  
  mean /= len(loader.dataset)
  std /= len(loader.dataset)
  

归一化的作用

• 加快模型收敛速度：通过将输入数据缩放到一个相对统一的范围（通常是均值为0，标准差为1），可以显著提升模型的训练效率。
• 缓解梯度消失/爆炸问题：归一化有助于保持不同层激活值的稳定性，减少梯度问题。
• 增强模型泛化能力：使模型对输入数据的分布变化更加鲁棒。

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！