前处理 | junyi's blog

摘要

模型前处理相关学习笔记

深度学习模型部署前处理

在深度学习模型的部署过程中，前处理是一个至关重要的步骤。前处理的目标是将原始数据转换为模型可以接受的格式，以确保推理结果的准确性和一致性。以下是前处理的一些常见操作及其实现方法。

前处理的主要步骤

1. 数据加载

从文件、摄像头、传感器、API 等读取数据。
支持的格式可能包括图像（JPEG/PNG）、文本、视频、音频等。
常用库：
- 图像：OpenCV、Pillow
- 文本：NLTK、spaCy
- 音频：librosa、torchaudio
- 视频：OpenCV、moviepy

2. 尺寸调整 (Resizing)

模型通常需要固定大小的输入，例如 224x224。

工具：

Python:

1 2	import cv2 resized = cv2.resize(image, (224, 224))

C++ (OpenCV):

1	cv::resize(image, resized_image, cv::Size(224, 224));

3. 归一化 (Normalization)

将输入数据的像素值范围调整到 [0, 1] 或 [-1, 1]。
公式：
[
x_{\text{normalized}} = \frac{x - \text{mean}}{\text{std}}
]

常用库实现：

PyTorch：

1
2
3

import torchvision.transforms as transforms
transform = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
normalized_image = transform(image)

4. 数据格式转换

深度学习模型可能需要特定的数据格式（例如 NHWC 或 NCHW）。
- NHWC: [Batch, Height, Width, Channels]（TensorFlow 通常使用）
- NCHW: [Batch, Channels, Height, Width]（PyTorch 通常使用）

转换：

1 2	import numpy as np nhwc_image = image.transpose(0, 2, 3, 1) # NCHW -> NHWC

5. 类型转换

确保数据的类型与模型要求一致，例如 float32、int8 等。
转换：
1
float_image = image.astype('float32')

6. 数据归一化与标准化的结合

对于图像：
- 首先缩放到 [0, 1] 范围。
- 再进行归一化（减去均值，除以标准差）。
对于文本或序列数据：
- 可能需要 Tokenization 和 Padding。

7. 其他特定处理

数据增强：裁剪、旋转、翻转（在推理时一般用于 TTA）。
嵌入：对文本进行词嵌入转换。
频谱图：将音频信号转换为频谱图。

示例代码

以下是一个典型的图像模型的前处理示例，使用 Python：

import cv2
import numpy as np

def preprocess_image(image_path, input_size=(224, 224)):
    # 加载图像
    image = cv2.imread(image_path)
    if image is None:
        raise ValueError("Image not found or unable to read!")

    # 调整大小
    resized = cv2.resize(image, input_size)

    # 转换为浮点数并归一化到 [0, 1]
    normalized = resized / 255.0

    # 转换为 NCHW 格式
    nchw_image = np.transpose(normalized, (2, 0, 1))

    # 增加 Batch 维度并转换为 float32
    batch_image = np.expand_dims(nchw_image, axis=0).astype(np.float32)

    return batch_image

部署中的前处理工具

TensorFlow/TF-Serving
- 使用 tf.image 模块进行前处理。
- 可将前处理代码直接集成到模型中（SavedModel）。
PyTorch/TorchServe
- 使用 torchvision.transforms 执行前处理。
- 在自定义 Handler 中实现前处理。
ONNX Runtime
- 在推理时依赖外部前处理，但支持优化后的动态尺寸输入。
OpenCV/DNN 模块
- OpenCV 支持直接加载和推理模型，可在前处理阶段使用其高效工具。

前处理常见问题与优化

不匹配问题
- 原因：模型训练和推理时的前处理设置不同。
- 解决：确保推理阶段与训练一致（归一化参数、数据格式等）。
性能问题
- 原因：前处理耗时过长。
- 解决：
  - 使用并行库（如 DALI）。
  - 在 GPU/TPU 上完成前处理。
动态尺寸
- 原因：输入尺寸不固定。
- 解决：使用动态尺寸模型，或在前处理阶段适配输入。

如果你有具体的部署场景（如平台或数据类型），我可以提供更细致的实现建议！

前处理数据加载

在深度学习模型部署中，前处理的目的是将原始输入数据转换为模型可以接受的格式和结构。数据加载是前处理的重要组成部分，涉及从存储中读取数据、对数据进行解析、归一化、格式化等步骤，为后续的推理做好准备。

以下是深度学习模型部署中 数据加载 的详细解析：

1. 数据加载的核心任务

数据加载的主要任务包括：

从各种来源读取数据
- 常见数据来源：文件系统、数据库、API、消息队列等。
- 文件格式：图片（JPEG/PNG）、视频（MP4）、音频（WAV/MP3）、文本（JSON/CSV）、二进制数据等。
解析和转换数据
- 解析数据格式（如图片解码、JSON 解析）。
- 将数据转化为模型可用的张量（Tensor）格式。
批量加载和优化性能
- 支持批量加载（Batching）以提高吞吐量。
- 利用多线程或异步加载优化性能。
对输入数据进行前处理
- 标准化、归一化。
- 调整大小、裁剪、填充。
- 数据增强（如旋转、翻转等）。

2. 数据加载的典型步骤

(1) 数据读取

根据数据来源和格式，选择适当的读取方法：

本地文件系统： 使用操作系统原生文件读写函数（如 open()、fopen()）。
云存储/网络资源： 使用库（如 requests、boto3）下载文件。
数据库： 使用 SQL 或 NoSQL 查询获取数据。

示例（读取本地图片）：

1 2	from PIL import Image image = Image.open("image.jpg")

(2) 数据解析

将原始数据解析为内存中的对象。例如：
- 图片数据解码为像素矩阵。
- JSON 数据解析为 Python 字典。
- CSV 数据解析为 DataFrame 或数组。

(3) 数据转换为张量

将解析后的数据转换为深度学习框架支持的张量（如 PyTorch 的 torch.Tensor 或 TensorFlow 的 tf.Tensor）。

import torch
from torchvision import transforms

transform = transforms.ToTensor()
tensor = transform(image)

(4) 数据预处理

根据模型需求对数据进行调整：

归一化： 将像素值缩放到 [0, 1] 或 [-1, 1] 区间。
调整大小： 将图片调整为固定尺寸。
格式转换： 如 RGB -> BGR 或 NHWC -> NCHW。

示例：

transform = transforms.Compose([
    transforms.Resize((224, 224)),   # 调整大小
    transforms.ToTensor(),           # 转为张量
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 归一化
])
processed_image = transform(image)

3. 高效数据加载技巧

(1) 批量加载

通过批量加载数据，可以减少 I/O 操作的开销，提高吞吐量。

示例（PyTorch DataLoader）：

from torch.utils.data import DataLoader, Dataset

class CustomDataset(Dataset):
    def __init__(self, file_paths, transform=None):
        self.file_paths = file_paths
        self.transform = transform
    
    def __len__(self):
        return len(self.file_paths)
    
    def __getitem__(self, idx):
        image = Image.open(self.file_paths[idx])
        if self.transform:
            image = self.transform(image)
        return image

dataset = CustomDataset(file_paths=["img1.jpg", "img2.jpg"], transform=transform)
data_loader = DataLoader(dataset, batch_size=32, shuffle=True)

(2) 异步加载

使用多线程或多进程加载数据，在数据加载的同时进行推理。

示例（PyTorch 的多进程加载）：

1	data_loader = DataLoader(dataset, batch_size=32, shuffle=True, num_workers=4)

(3) 数据缓存

对于频繁使用的数据，可以将其缓存到内存或更快的存储设备（如 SSD），减少加载时间。

4. 常见的数据加载场景

(1) 图片数据加载

格式： JPEG、PNG、TIFF 等。
前处理：
- 调整大小、裁剪。
- 归一化为 [0, 1] 或 [-1, 1]。
库支持： OpenCV、Pillow、Torchvision、TensorFlow。

(2) 视频数据加载

格式： MP4、AVI 等。
前处理：
- 抽帧、调整帧率。
- 归一化。
库支持： OpenCV、FFmpeg、Decord。

(3) 文本数据加载

格式： JSON、CSV、纯文本。
前处理：
- 分词、去停用词。
- 将文本转换为向量（如词嵌入）。
库支持： pandas、NLTK、Hugging Face。

(4) 音频数据加载

格式： WAV、MP3。
前处理：
- 采样率调整。
- 转换为梅尔频谱或 MFCC 特征。
库支持： librosa、torchaudio。

5. 数据加载中的常见问题及优化

问题 1：数据加载瓶颈

原因： 数据加载速度不足以跟上推理速度。
优化：
- 增加 num_workers 使用多线程/多进程。
- 缓存数据。
- 使用高效的数据格式（如 TFRecord）。

问题 2：内存占用过高

原因： 一次性加载过多数据。
优化：
- 使用生成器或流式加载。
- 控制批量大小。

问题 3：数据预处理耗时长

原因： 复杂的预处理步骤在加载时完成。
优化：
- 将预处理离线完成，保存为中间格式。
- 使用 GPU 加速数据预处理（如 DALI）。

6. 高级工具与框架支持

NVIDIA DALI（Data Loading Library）：

高效的数据加载和预处理库，支持 GPU 加速。

示例：

from nvidia.dali.pipeline import Pipeline
import nvidia.dali.ops as ops

class SimplePipeline(Pipeline):
    def __init__(self, batch_size, num_threads, device_id):
        super(SimplePipeline, self).__init__(batch_size, num_threads, device_id)
        self.decode = ops.ImageDecoder(device="mixed")
        self.resize = ops.Resize(resize_x=224, resize_y=224)

    def define_graph(self):
        images = self.decode(self.input)
        return self.resize(images)

pipe = SimplePipeline(batch_size=32, num_threads=4, device_id=0)

TensorFlow Data API：

支持高效的输入管道。

示例：

import tensorflow as tf

dataset = tf.data.Dataset.list_files("images/*.jpg")
dataset = dataset.map(lambda x: preprocess(x))
dataset = dataset.batch(32).prefetch(tf.data.AUTOTUNE)

总结

数据加载在深度学习模型部署中至关重要。通过高效的读取、解析、转换、批量加载和预处理，能够显著提升模型推理的性能与可靠性。根据具体场景选择合适的工具和优化策略，可以大大改善部署效果。

图像数据转为模型可用的张量格式详解

将图像数据转换为深度学习模型可用的张量格式，是图像处理和模型前处理中的关键步骤。不同的深度学习框架（如 TensorFlow、PyTorch）对张量的具体格式要求略有不同，但总体过程类似。

以下是将图像数据转为模型可用的张量格式的详细步骤和注意事项：

1. 张量的基本要求

张量是一个多维数组，常见的格式包括：

形状（Shape）： 模型通常要求特定形状的输入，例如 (Batch, Channels, Height, Width) 或 (Batch, Height, Width, Channels)。
数据类型（Data Type）： 常用 float32 或 float16。
数值范围：
- 一般要求归一化为 [0, 1] 或标准化为均值为 0、方差为 1。
- 部分模型（如 ResNet、MobileNet）可能要求特定的归一化范围或通道顺序。

2. 转换步骤

(1) 读取图像数据

使用图像处理库读取图像文件，将其转化为像素矩阵（通常是 Height x Width x Channels 格式）。
常用库：
- OpenCV (cv2)： 默认读取为 BGR 格式。
- Pillow (PIL)： 默认读取为 RGB 格式。

示例（读取图片）：

1 2	from PIL import Image image = Image.open("image.jpg") # 使用 Pillow 读取图片

(2) 调整尺寸

深度学习模型通常要求固定尺寸的输入图像，例如 224x224。
可以通过调整大小（resize）、裁剪（crop）、填充（pad）等方式实现。

示例（调整大小）：

1	image = image.resize((224, 224)) # 调整到 224x224

(3) 转换为数组

将图像对象转换为数值数组（通常为 NumPy 数组）。

示例（Pillow 转 NumPy）：

1 2	import numpy as np image_array = np.array(image) # 转换为 NumPy 数组

(4) 归一化或标准化

将像素值范围从 [0, 255] 转换为 [0, 1] 或 [-1, 1]。
如果模型要求，可以使用特定均值和标准差进行标准化。

示例（归一化为 [0, 1]）：

1	image_array = image_array / 255.0

示例（标准化）：

1
2
3

mean = [0.485, 0.456, 0.406]
std = [0.229, 0.224, 0.225]
image_array = (image_array - mean) / std

(5) 调整通道顺序

不同框架要求的张量通道顺序可能不同：
- PyTorch: 通道优先，即 (Channels, Height, Width)。
- TensorFlow/Keras: 通道最后，即 (Height, Width, Channels)。
可以通过 transpose 改变通道顺序。

示例（HWC 转为 CHW）：

1	image_array = np.transpose(image_array, (2, 0, 1)) # 从 HWC 转为 CHW

(6) 转换为张量

将 NumPy 数组转换为深度学习框架支持的张量。
框架示例：
- PyTorch：torch.Tensor
- TensorFlow：tf.convert_to_tensor

示例（PyTorch 张量转换）：

1
2
3

import torch
image_tensor = torch.tensor(image_array, dtype=torch.float32)  # 转为张量
image_tensor = image_tensor.unsqueeze(0)  # 增加 Batch 维度

示例（TensorFlow 张量转换）：

1
2
3

import tensorflow as tf
image_tensor = tf.convert_to_tensor(image_array, dtype=tf.float32)  # 转为张量
image_tensor = tf.expand_dims(image_tensor, axis=0)  # 增加 Batch 维度

3. 不同框架的常见操作

(1) PyTorch

使用 torchvision.transforms 提供了高效的图像预处理工具。

示例：

from torchvision import transforms
from PIL import Image

transform = transforms.Compose([
    transforms.Resize((224, 224)),  # 调整大小
    transforms.ToTensor(),          # 转为张量并归一化为 [0, 1]
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # 标准化
])

image = Image.open("image.jpg")
image_tensor = transform(image).unsqueeze(0)  # 增加 Batch 维度

(2) TensorFlow

使用 tf.image 提供了一系列操作。

示例：

import tensorflow as tf

image = tf.io.read_file("image.jpg")
image = tf.image.decode_jpeg(image, channels=3)
image = tf.image.resize(image, [224, 224])  # 调整大小
image = image / 255.0  # 归一化
image = tf.expand_dims(image, axis=0)  # 增加 Batch 维度

4. 常见问题与优化

问题 1：通道顺序错误

模型可能因通道顺序不同而报错（如 TensorFlow 使用 NHWC，而 PyTorch 使用 NCHW）。
解决： 确认模型要求并调整顺序。

问题 2：未归一化或标准化

部分模型对输入的数值范围敏感，未归一化可能导致推理结果异常。
解决： 检查模型要求并按需处理。

问题 3：性能瓶颈

数据加载和预处理可能成为瓶颈，尤其是在实时推理中。
解决：
- 使用多线程/多进程。
- 将预处理步骤迁移到 GPU（如 NVIDIA DALI）。
- 提前预处理并保存为高效格式（如 TFRecord）。

5. 总结

将图像数据转为模型可用的张量格式是模型推理的关键步骤，核心流程包括：

读取图像数据（文件、内存或流式读取）。
调整尺寸、归一化、标准化。
转换通道顺序和数据类型。
将数据打包为张量格式并加入批量维度。

不同框架提供了便利的工具和 API 支持，高效实现图像的张量化，能够显著提升模型的推理性能和兼容性。

前处理中的归一化详解

深度学习前处理中的归一化详解

归一化是深度学习模型训练和推理中的重要步骤之一，旨在将输入数据的特征值范围调整到特定范围或分布，以提高模型的收敛速度和预测稳定性。本文将详细解析归一化的概念、目的、方法、应用场景和注意事项。

1. 为什么需要归一化？

减少特征尺度差异：
- 输入数据可能具有不同的特征范围（例如像素值范围为 [0, 255]，而温度值范围为 [-30, 50]）。
- 归一化可以让特征值具有相似的尺度，避免某些特征对模型的影响过大。
加速模型收敛：
- 无归一化的数据可能导致梯度下降过程缓慢或震荡，归一化能够稳定梯度下降。
增强数值稳定性：
- 极端数值可能导致计算不稳定，归一化可以避免溢出或下溢。
适应特定模型需求：
- 某些预训练模型要求输入数据在特定范围（如 [0, 1] 或 [-1, 1]）或具有特定的均值和标准差。

2. 常见的归一化方法

归一化的方法根据应用场景和数据类型有所不同，以下是常见的归一化技术。

(1) Min-Max 归一化

公式：
[
x_{\text{norm}} = \frac{x - x_{\min}}{x_{\max} - x_{\min}}
]
范围： 通常将数据归一化到 [0, 1]，或通过线性变换调整为其他范围（如 [-1, 1]）。
应用场景：
- 图像像素值归一化到 [0, 1]。
- 特征值范围固定的数据。

示例：

import numpy as np
data = np.array([50, 100, 150, 200])
data_min = np.min(data)
data_max = np.max(data)
normalized_data = (data - data_min) / (data_max - data_min)
print(normalized_data)  # 输出 [0. , 0.333, 0.666, 1. ]

(2) 均值-标准差标准化（Z-Score 标准化）

公式：
[
x_{\text{norm}} = \frac{x - \mu}{\sigma}
]
其中 ( \mu ) 是均值，( \sigma ) 是标准差。
范围： 数据转换为均值为 0，标准差为 1 的分布。
应用场景：
- 特征值分布不固定（如自然语言处理中的词向量）。
- 深度学习预训练模型（如 ImageNet 预训练模型）常使用固定均值和标准差归一化。

示例：

mean = np.mean(data)
std = np.std(data)
standardized_data = (data - mean) / std
print(standardized_data)

(3) 归一化到特定均值和标准差

公式：
[
x_{\text{norm}} = \frac{x - \mu}{\sigma}
]
并根据目标分布调整：
[
x_{\text{scaled}} = x_{\text{norm}} \times \sigma_{\text{target}} + \mu_{\text{target}}
]
应用场景：
- 针对预训练模型（如 ResNet、VGG 等），调整到特定的均值和标准差。

示例（PyTorch）：

1 2	from torchvision import transforms transform = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])

(4) 对数归一化（Log Normalization）

公式：
[
x_{\text{norm}} = \log(x + 1)
]
应用场景：
- 数据分布具有较大偏态（如高光强度图像、文档字频统计）。
注意：
- 输入值必须非负。
示例：
1
log_normalized_data = np.log(data + 1)

(5) 最大绝对值归一化

公式：
[
x_{\text{norm}} = \frac{x}{\max(|x|)}
]
范围： 归一化到 [-1, 1]。
应用场景：
- 数据具有正负值，但范围不固定。

(6) L2 归一化

公式：
[
x_{\text{norm}} = \frac{x}{|x|_2}
]
其中 ( |x|_2 = \sqrt{\sum x_i^2} )。
范围： 单位向量，适合向量空间建模。
应用场景：
- 特征向量的相似性计算（如余弦相似度）。

3. 图像数据中的归一化

在图像处理中，归一化的目标是将原始像素值（通常是 [0, 255]）转换为深度学习模型所需的格式。

(1) 常见归一化方法

归一化到 [0, 1]：
- 公式：x / 255.0
- 应用于大多数深度学习框架。
归一化到 [-1, 1]：
- 公式：(x / 127.5) - 1
- 常用于 GAN 和部分图像处理模型。
均值和标准差标准化：
- 对应 ImageNet 的 RGB 通道均值和标准差：
  - 均值：[0.485, 0.456, 0.406]
  - 标准差：[0.229, 0.224, 0.225]

(2) 示例代码

归一化到 [0, 1]：

1
2
3

import numpy as np
image = np.random.randint(0, 256, (224, 224, 3), dtype=np.uint8)
image_normalized = image / 255.0

归一化到特定均值和标准差：

import torch
from torchvision import transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# 假设 image 是一个 PIL.Image 对象
normalized_image = transform(image)

4. 深度学习框架中的归一化工具

(1) PyTorch

torchvision.transforms.Normalize

用法：
1
transforms.Normalize(mean, std)

(2) TensorFlow/Keras

tf.image.per_image_standardization 或手动实现归一化。

5. 注意事项

模型需求： 确保归一化过程符合模型的预处理要求。
一致性： 训练和推理时的归一化方式必须一致。
异常值处理： 对异常值进行裁剪或忽略，避免对归一化结果产生不利影响。

归一化是模型预处理中的关键步骤，能够显著提升模型性能。根据不同场景选择合适的归一化方法，有助于稳定和加速训练，同时提高推理精度。

归一化

常用的方法是通过对原始数据进行线性变换把数据映射到 [0, 1] 或 [-1, 1]之间。主要是：
- 为了数据处理方便，更加便捷快速。
- 把有量纲表达式变为无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。
归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量
变换函数为：

标准化

常用的方法是 z-score 标准化，经过处理后的数据均值为0，标准差为1
在机器学习中，我们可能要处理不同种类的资料。例如，音讯和图片上的像素值，这些资料可能是高纬度的，资料标准化后使每个特征中的数值平均变为0(将每个特征的值都减掉原始资料中该特征的平均)，标准差变为1，这个方法被广泛的使用在许多机器学习中，例如：支持向量机，逻辑回归和类神经网络

归一化和标准化的区别

归一化是将样本的特征值转换到同一量纲下把数据映射到 [0, 1]或者 [-1, 1]区间内，仅由变量的极值决定，因区间放缩法是归一化的一种。
标准化是依照特征矩阵的列处理数据，其通过求z-score的方法，转换为标准正态分布，和整体样本分布相关，每个样本点都能对标准化产生影响。
它们的相同点在于都能取消由于量纲不同引起的误差；都是一种线性变换，都是对向量X按照比例压缩再进行平移。

标准化和中心化的区别

标准化是原始分数减去平均数然后除以标准差
中心化是原始分数减去平均数。所以一般流程为先中心化再标准化。

无量纲

无量纲，是通过某种方法能去表实际过程中的单位，从而简化计算。

为什么要归一化/标准化

归一化/标准化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成失效，反而能提高数据的表现，这些性质是归一化/标准化的前提。比如有一个很重要的性质：线性变换不会改变原始数据的数值排序。
简单来说有以下好处
- 由于原始数据值的范围差异很大，因此在某些机器学习算法中，如果没有归一化，目标函数将无法正常工作。

摘要

深度学习模型部署 前处理

前处理的主要步骤

1. 数据加载

2. 尺寸调整 (Resizing)

3. 归一化 (Normalization)

4. 数据格式转换

5. 类型转换

6. 数据归一化与标准化的结合

7. 其他特定处理

示例代码

部署中的前处理工具

前处理常见问题与优化

前处理 数据加载

1. 数据加载的核心任务

2. 数据加载的典型步骤

(1) 数据读取

(2) 数据解析

(3) 数据转换为张量

(4) 数据预处理

3. 高效数据加载技巧

(1) 批量加载

(2) 异步加载

(3) 数据缓存

4. 常见的数据加载场景

(1) 图片数据加载

(2) 视频数据加载

(3) 文本数据加载

(4) 音频数据加载

5. 数据加载中的常见问题及优化

问题 1：数据加载瓶颈

问题 2：内存占用过高

问题 3：数据预处理耗时长

6. 高级工具与框架支持

总结

图像数据转为模型可用的张量格式 详解

1. 张量的基本要求

2. 转换步骤

(1) 读取图像数据

(2) 调整尺寸

(3) 转换为数组

(4) 归一化或标准化

(5) 调整通道顺序

(6) 转换为张量

3. 不同框架的常见操作

(1) PyTorch

(2) TensorFlow

4. 常见问题与优化

问题 1：通道顺序错误

问题 2：未归一化或标准化

问题 3：性能瓶颈

5. 总结

前处理中的归一化 详解

深度学习前处理中的归一化详解

1. 为什么需要归一化？

2. 常见的归一化方法

(1) Min-Max 归一化

(2) 均值-标准差标准化（Z-Score 标准化）

(3) 归一化到特定均值和标准差

(4) 对数归一化（Log Normalization）

(5) 最大绝对值归一化

(6) L2 归一化

3. 图像数据中的归一化

(1) 常见归一化方法

(2) 示例代码

4. 深度学习框架中的归一化工具

(1) PyTorch

(2) TensorFlow/Keras

5. 注意事项

归一化

标准化

归一化和标准化的区别

标准化和中心化的区别

无量纲

为什么要归一化/标准化

深度学习模型部署前处理

前处理数据加载

图像数据转为模型可用的张量格式详解

前处理中的归一化详解