transforms.ToTensor()和归一化函数transforms.Normalize()的使用

导入头文件：

# from torchvision import transforms

# transforms.ToTensor()

ToTensor的作用是将导入的图片转换为Tensor的格式，导入的图片为PIL image 或者 numpy.nadrry格式的图片，其shape为（HxWxC）数值范围在[0,255],转换之后shape为（CxHxw）,数值范围在[0,1].

# transforms.Normalize（）

其作用是将图片在每个通道上做标准化处理，即将每个通道上的特征减去均值，再除以方差。

归一化的作用就是将需要处理的数据，经过一定的处理方法（算法），将其数值限制在一定范围内。在深度学习图像处理中，归一化处理之后，可以使数据更好的响应激活函数，提高数据的表现力，减少梯度爆炸和梯度消失的出现。常见的归一化处理是将数据处理为均值是0，方差是1的高斯分布，而transforms.Normalize()就可以实现这样的功能。

简单来说就是将数据按通道进行计算，将每一个通道是数据计算出其方差与均值，然后再将其每一个通道内的每一个数据减去均值，再除以方差，得到归一化后的结果。

由于 transforms.Normalize（）不支持PIL image 格式，所以必须要将图像转换为Tensor格式之后在做标准化处理，做标准化处理的好处在于可以加快网络的收敛，以及提高数据的鲁棒性，防止数据在后续处理中失活，也可以很好的响应激活函数的处理。

output=（input-mean）/std

mean是各通道的均值，std是各通道的方差。

# transforms.Normalize((0.485, 0.456, 0.406), (0.229, 0.224, 0.225))

我们经常看到的这些均值与方差，是从ImageNet数据集上的百万张图片中随机抽样计算得到的。