归一化（Normalization） or 标准化（Standardization）?_normalize和standardize区别

训练模型发现loss很大，原因之一是数据未归一化处理?

在深度学习中，归一化（Normalization）和标准化（Standardization）是两种常见的数据预处理技术，用于将输入数据调整到合适的范围，以提高模型的训练效果。虽然它们的目标相似，但归一化和标准化在具体实施和效果上有所区别。

1、归一化（Normalization）通常是指将数据缩放到0和1之间的范围。最常见的归一化方法是将每个样本的特征值减去最小值，然后除以最大值和最小值之间的差值。这样可以确保所有特征值都落在0到1的范围内。归一化可以保留原始数据的分布形状，但可能对异常值比较敏感。它在特征的取值范围未知或差异较大时特别有用。

对于图像来说，归一化后只是从[0,255] 变成 [0,1] 但显示出来是一样的。

def Transform(data):
    max = data.max()
    min = data.min()
    return (data - min) / (max - min)

2、标准化（Standardization）是将数据转换为均值为0，标准差为1的分布。标准化通过减去均值，然后除以标准差来实现。标准化后的数据具有零均值和单位方差，使得所有特征具有相似的尺度。标准化通常对异常值比较鲁棒，但会改变原始数据的分布形状。标准化在特征的取值范围已知并且差异不大时常常使用。

import torchvision.transforms as transforms
transforms.Normalize(mean = (0.485, 0.456, 0.406), std = (0.229, 0.224, 0.225))

简而言之，归一化将数据缩放到0和1之间，保留数据分布的形状，对取值范围未知或差异较大的特征适用。标准化将数据转换为均值为0，标准差为1的分布，使得所有特征具有相似的尺度，对取值范围已知且差异不大的特征适用。选择使用哪种方法取决于数据的特点和具体任务的需求。