from torchvision.transforms import ToTensor#用于把图片转化为张量
import numpy as np#用于将张量转化为数组，进行除法
from torchvision.datasets import ImageFolder#用于导入图片数据集
means = [0,0,0]
std = [0,0,0]#初始化均值和方差
transform=ToTensor()#可将图片类型转化为张量，并把0~255的像素值缩小到0~1之间
dataset=ImageFolder("./data/train",transform=transform)#导入数据集的图片，并且转化为张量
num_imgs=len(dataset)#获取数据集的图片数量
for img,a in dataset:#遍历数据集的张量和标签
for i in range(3):#遍历图片的RGB三通道
# 计算每一个通道的均值和标准差
means[i] += img[i, :, :].mean()
std[i] += img[i, :, :].std()
mean=np.array(means)/num_imgs
std=np.array(std)/num_imgs#要使数据集归一化，均值和方差需除以总图片数量
print(mean,std)#打印出结果
datasets.ImageFolder 通用的数据加载器
def __init__(
self,
root: st
a)
数据
集在加载的时候就已经转换成了[0, 1].
b)应用了torchvision.transforms.ToTensor，其作用是
（ Converts a PIL Image or numpy.ndarray (H x W x C) in the range [0, 255] to a torch.FloatTensor of shape (C x H x W) in the range [0.0, 1.0] ）
3、[0.485, 0.456, 0.406
pytorch
做标准化利用transforms.Normalize(mean_vals, std_vals)，其中常用
数据
集的
均值
方
差
有：
if 'coco' in args.dataset:
mean_vals = [0.471, 0.448, 0.408]
std_vals = [0.234, 0.239, 0.242]
elif 'imagenet' in args.dataset:
mean_vals = [0.485, 0.456, 0.406]
std_vals = [0.229, 0.224, 0.225]
计算
自己
数据
集图像像素的
均值
方
差
：
import
没有分训练集测试集，就是一个文件夹下面分类别放。
'/home/ellery/workspace/OCLE/Plant-Pathology-master/data/images/'这个路径下有个casing_cap文件夹，这个文件夹下面有10个文件夹分别是10类，朋友们如果有三类，就可以对应大文件夹casing_cap下放置n个小的文件夹，即共有n个类别。
我的网络层输入大小为512*512，所以transforms里先Resize设置成了这个尺寸，然后转
在深度学习训练过程中，我们需要对
数据
集进行normalize,使
数据
集中的各
数据
满足同一分布，更加容易收敛
在
pytorch
中提供了torchvision.transforms 接口来对
数据
进行归一化
from torchvision import transforms
trans = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.22
在训练神经网络的时候，需要对输入的图片进行归一化操作。对于单通道灰度图可以进行采样并求取采样图片的
均值
和方
差
。假设训练所用的图片名都存在figure_file.txt中。
一、实现过程
使用
Pytorch
进行预处理时，通常使用torchvision.transforms.Normalize(mean, std)方法进行
数据
标准化，其中参数mean和std分别表示图像集每个通道的
均值
和标准
差
序列。
首先，给出mean和std的定义，数学表示如下：
假设有一组
数据
集Xi, i∈{1,2,⋯ ,n}X_i,\,\,i\in\{1,2,\cdots,n\}Xi,i∈{1,2,⋯,n}，则这组
数据
集的
均值
为：mean=∑i=1nXin(1)mean=\frac{\displayst
目录一、什么是规约
计算
？1.累积、累和、所有元素的乘积、所有元素的和2.p-norm距离3.
均值
、中位数、众数、方
差
和标准
差
一、什么是规约
计算
？
一般是指分组聚合
计算
，常见的由
均值
、方
差
等，该
计算
的特点是使分组内或所有的元素参与
计算
得到统计性的结果，常见的有如下几种:
1.累积、累和、所有元素的乘积、所有元素的和
x = torch.Tensor([[2,3,4,5,6],[9,8,7,6,5]])
print(x)
print(torch.cumprod(x,dim=0)) # cumpro
这个内容是将随便做了一个网络结构，然后简单的训练几次，生成模型，并且存储起来，主要是为了学习获得
pytorch
中的BatchNorm2d层的各个特征图的平
均值
和方
差
。代码如下：
import torch
import torch.nn as nn
import torch.nn.functional as F
from torchvision import datasets,transform...
计算
图像
数据
集的
均值
和方
差
1.使用
PyTorch
计算
图像
数据
集的
均值
和方
差
(推荐)2.使用opencv和numpy
计算
图像
数据
集的
均值
和方
差
3.
计算
某个目录下所有图片的
均值
和方
差
参考资料
1.使用
PyTorch
计算
图像
数据
集的
均值
和方
差
(推荐)
Pytorch
图像预处理时，通常使用transforms.Normalize(mean, std)对图像按通道进行标准化，即减去
均值
，再除以方
差
。这样做可以加快模型的收敛速度。其中参数mean和std分别表示图像每个通道的
均值
和方
差
序列。
Imagenet
数据
集的均
