PyTorch如何标准化图片数据？如何计算全局标准差以及均值_python计算图像的均值、标准差

以MNIST数据集为例子，由于该数据集是1channel的，所以以下代码可能不具有泛用性，但是核心部分是一致的

方法1：

stackoverflow上有以下代码：

from torchvision.datasets import MNIST        
import torchvision.transforms as transforms 
 
trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True)
print('Min Pixel Value: {} \nMax Pixel Value: {}'.format(trainset.data.min(), trainset.data.max()))
print('Mean Pixel Value {} \nPixel Values Std: {}'.format(trainset.data.float().mean(), trainset.data.float().std()))
print('Scaled Mean Pixel Value {} \nScaled Pixel Values Std: {}'.format(trainset.data.float().mean() / 255, trainset.data.float().std() / 255))

输出（注意，由于数据没有经过 torchvision.transforms.ToTensor()进行变换，所以仍然是[0,255]范围）：

Min Pixel Value: 0 
Max Pixel Value: 255
Mean Pixel Value 33.31002426147461 
Pixel Values Std: 78.56748962402344
Scaled Mean: 0.13062754273414612 
Scaled Std: 0.30810779333114624

方法2：

利用如下公式：

dataset_img_width = train_dataset.data.shape[2]
dataset_img_height = train_dataset.data.shape[1]
# 像素点总数，相当于总样本数
total_pixels_count = train_dataset.__len__() * dataset_img_height * dataset_img_width
 
pixels_sum = 0.0
pixels_sum_sq = 0.0
for data, targets in train_loader:
    # 像素点值的和，一个像素点就是一个样本
    pixels_sum += data.sum(axis=[0, 2, 3])
    # 像素点值的平方和
    pixels_sum_sq += data.square().sum(axis=[0, 2, 3])
 
total_mean = pixels_sum / total_pixels_count
std = torch.sqrt(pixels_sum_sq/total_pixels_count-total_mean.square())
print(std)

有误差的方法3：算每个batch（批次）的标准差，再除以批次数，这个肯定会有误差，但没有实际验证过误差到底有多大。

了解以下

从局部方差和均值计算整体方差：

图片转自局部均值与方差计算总体均值与方差 - 知乎

手写推导，留给自己看的，你们就别看了：

博客或者描述或者代码有错误欢迎指正