transforms.Normalize其他函数平替

`torchvision.transforms.Normalize` 是 PyTorch 中用于图像预处理的标准库中的一个重要功能，它主要用于将图像数据标准化到某个固定的范围内，比如通常会将像素值缩放到 [0, 1] 或 [-1, 1]，这对于很多深度学习模型来说是非常关键的步骤。这个函数有两个主要参数：

1. `mean`: 这是一个一维数组，代表输入图像各个通道（如 RGB）的均值，通常是根据训练集计算出来的平均颜色值。
2. `std`: 也是一个一维数组，代表输入图像各个通道的方差，同样也是基于训练集计算得到的。

除了这些基本用法，`Normalize` 函数还有一些可选的替代方法，例如：

- **SubtractMean**: 如果不指定 `mean` 和 `std`，可以使用 `SubtractMean(mean=...)` 来直接从每个通道上减去均值。
- **TensorQuantize**: 对于量化应用，可能需要使用 `TensorQuantize()` 或者自定义函数来对张量进行整数量化。
- **AdaptiveScaling**: 可能有自定义的适应性缩放策略，比如根据当前图像的内容动态调整缩放范围。
- **InPlace**: 另外一些库可能会提供 in-place 前缀的版本，例如 `Normalize_(...)`，它们会在原地修改输入，而不是创建新的张量。

**相关问题**:
1. torchvision.transforms.Normalize是否支持自定义的统计信息？
2. 在进行图像分类任务时，为什么要先做标准化操作？
3. 如何在预处理中避免使用Normalize，而是采用其他的归一化或标准化方式？