### PyTorch 中使用 `transforms.Normalize` 进行标准化 为了在 PyTorch 的 `transforms.Normalize()` 函数中应用合适的均值和标准差，需事先计算整个图像数据集中各通道的平均值和标准差。这一步骤对于确保模型输入的一致性和加速训练至关重要。 #### 计算均值和标准差的方法 可以通过遍历整个数据集来逐像素统计每张图片的颜色分量，进而得到全局的均值和标准差。具体来说： - **加载数据集**：利用 `torchvision.datasets.ImageFolder` 或者其他适合的数据集类装载目标集合。 - **迭代样本**：通过 DataLoader 对象批量读取并处理图像，累积所有像素值得总和与平方和以便后续运算。 - **聚合统计数据**：基于上述累加的结果，按照公式分别求得每个颜色通道上的总体期望（即均值）及其对应的方根偏差（即标准差），注意这里要考虑到批次大小的影响因子。 以下是具体的 Python 实现代码片段，展示了如何针对自定义图像文件夹路径下的数据集执行该流程： ```python import torch from torchvision import datasets, transforms import numpy as np def compute_mean_and_std(data_dir): # 定义转换规则，仅调整尺寸而不做任何增强或其他变换 simple_transform = transforms.Compose([ transforms.Resize((256, 256)), # 统一裁剪至固定大小 transforms.ToTensor(), # 转换为 Tensor 类型 ]) dataset = datasets.ImageFolder(root=data_dir, transform=simple_transform) loader = torch.utils.data.DataLoader(dataset=dataset, batch_size=len(dataset), shuffle=False) images, _ = next(iter(loader)) mean = images.mean(dim=(0, 2, 3)) # 按照 (batch, channel, height, width) 形状压缩求均值 std = images.std(dim=(0, 2, 3)) return mean.numpy().tolist(), std.numpy().tolist() data_directory = 'path/to/your/dataset' means, stdevs = compute_mean_and_std(data_directory) print(f"Means: {means}") print(f"Standard Deviations: {stdevs}") ``` 这段脚本会输出所指定目录下所有图片经过 Resize 后三个色彩空间维度各自的均值列表 `[R,G,B]` 及相应的标准差列表[^1]。 一旦获得了这些数值，就可以将其应用于 `transforms.Normalize(mean, std)` 来创建完整的预处理管道，从而使得输入网络前的数据已经过适当规范化处理[^4]。