【pytorch】transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))

ransform.Normalize(): 用均值和标准差对张量图像进行归一化

经常看到

transforms.Compose([transforms.ToTensor(), 
                    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

那transform.Normalize()是怎么工作的呢？以上面代码为例，

---

ToTensor() 做了两件事：

• 把灰度范围从0-255变换到0-1之间，其将每一个数值归一化到[0,1]，其归一化方法比较简单，直接除以255即可
• 将shape为(H,W, C)的nump.ndarray或img转为shape为(C, H, W)的tensor

---

transforms.Normalize()
transforms.Normalize(std=(0.5,0.5,0.5),mean=(0.5,0.5,0.5))，则其作用就是先将输入归一化到(0,1)，再使用公式"(x-mean)/std"，将每个元素分布到(-1,1)

image=(image-mean)/std

其中mean 和 std分别通过 (0.5,0.5,0.5) 和 (0.5,0.5,0.5) 进行指定。原来的 0-1 最小值 0 则变成 (0-0.5)/0.5=-1，而最大值1则变成(1-0.5)/0.5=1.

可我看很多代码里面是这样的：
torchvision.transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
这一组值是怎么来的？这一组值是从imagenet训练集中抽样算出来的。

总结：

经过上面normalize()的变换后变成了均值为0 方差为1（其实就是最大最小值为1和-1）

每个样本图像变成了均值为0 方差为1 的标准正态分布，这就是最普通（科学研究价值最大的）的样本数据了