计算pytorch标准化(Normalize)所需要数据集的均值和方差实例 - CSDN文库

148 浏览量更新于2023-05-03 收藏 33KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

计算计算pytorch标准化标准化(Normalize)所需要数据集的均值和方差实所需要数据集的均值和方差实

例例

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：计算自己数据集图像像素的均值方差：

import numpy as np

import cv2

import random

# calculate means and std

train_txt_path = './train_val_list.txt'

CNum = 10000 # 挑选多少图片进行计算

img_h, img_w = 32, 32

imgs = np.zeros([img_w, img_h, 3, 1])

means, stdevs = [], []

with open(train_txt_path, 'r') as f:

lines = f.readlines()

random.shuffle(lines) # shuffle , 随机挑选图片

for i in tqdm_notebook(range(CNum)):

img_path = os.path.join('./train', lines[i].rstrip().split()[0])

img = cv2.imread(img_path)

img = cv2.resize(img, (img_h, img_w))

img = img[:, :, :, np.newaxis]

imgs = np.concatenate((imgs, img), axis=3)

# print(i)

imgs = imgs.astype(np.float32)/255.

for i in tqdm_notebook(range(3)):

pixels = imgs[:,:,i,:].ravel() # 拉成一行

means.append(np.mean(pixels))

stdevs.append(np.std(pixels))

# cv2 读取的图像格式为BGR，PIL/Skimage读取到的都是RGB不用转

means.reverse() # BGR --> RGB

stdevs.reverse()

print("normMean = {}".format(means))

print("normStd = {}".format(stdevs))

print('transforms.Normalize(normMean = {}, normStd = {})'.format(means, stdevs))

以上这篇计算pytorch标准化(Normalize)所需要数据集的均值和方差实例就是小编分享给大家的全部内容了，希望能给大家一

个参考，也希望大家多多支持软件开发网。

您可能感兴趣的文章您可能感兴趣的文章:pytorch的batch normalize使用详解

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余0页未读，立即下载

weixin_38598613

粉丝: 7
资源: 914

会员权益专享

图片转文字

全年可省5，000元立即开通

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈