假设我有一张张量为张量的图像，其尺寸为（B x C x W x H），其中B是批量大小，C是图像中通道的数量，W和H是宽度的高度图片。我正在寻找使用该transforms.Normalize()函数针对C图像通道上数据集的均值和标准差对图像进行归一化的方法，这意味着我想要一个结果张量为1 x C的形式。是否有一种简单的方法这个？
我尝试过torch.view(C, -1).mean(1)，torch.view(C, -1).std(1)但出现错误：
view size is not compatible with input tensor's size and stride (at least one dimension spans across two contiguous subspaces). Use .reshape(...) instead.
编辑
在研究了view()PyTorch的工作原理之后，我知道了为什么我的方法行不通。但是，我仍然不知道如何获取每个通道的均值和标准差。
您只需要以正确的方式重新排列批处理张量：从[B, C, W, H]到[B, C, W * H]：
batch = batch.view(batch.size(0), batch.size(1), -1)
这是有关随机数据的完整用法示例：
码：
import torch
from torch.utils.data import TensorDataset, DataLoader
data = torch.randn(64, 3, 28, 28)
labels = torch.zeros(64, 1)
dataset = TensorDataset(data, labels)
loader = DataLoader(dataset, batch_size=8)
nimages = 0
mean = 0.
std = 0.
for batch, _ in loader:
# Rearrange batch to be the shape of [B, C, W * H]
batch = batch.view(batch.size(0), batch.size(1), -1)
# Update total number of images
nimages += batch.size(0)
# Compute mean and std here
mean += batch.mean(2).sum(0)
std += batch.std(2).sum(0)
# Final step
mean /= nimages
std /= nimages
print(mean)
print(std)
输出：
tensor([-0.0029, -0.0022, -0.0036])
tensor([0.9942, 0.9939, 0.9923])
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句