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1
nb_samples += N
#获取同一batch的均值和标准差
channel_mean /= nb_samples
channel_std /= nb_samples
print(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]
#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1
nb_samples += N
#获取同一batch的均值和标准差
channel_mean /= nb_samples
channel_std /= nb_samples
print(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！！！