Image processing 带上[0,1]范围内的任何PyTorch cuda张量

假设我有一个PyTorch-Cuda浮点张量

x

的形状

[b，c，h，w]

接受浮点张量范围允许的任意值。我想在[0,1]范围内对其进行归一化

我想到了以下算法（，但任何其他算法也可以）

步骤1：找出每批中的最小值。称之为

min

并具有形状

[b，1,1,1]

步骤2：同样地，找到最大值并称之为

max

步骤3：使用

y=（x-min）/max

。或者使用

y=（x-min）/（max-min）

。我不知道哪一个更好

y

的形状应与

x

的形状相同

我正在使用PyTorch 1.3.1

具体来说，我无法使用

torch.min（）

获得所需的

min

。

max

也是如此

我将使用它将其输入预先训练的VGG，以计算感知损失（在上述归一化之后，我将另外将它们带到ImageNet mean和std）。由于某些原因，我无法在数据加载期间强制执行[0,1]范围，因为我所在区域的先前工作有一个非常具体的归一化算法，必须使用该算法，但有时无法确保[0,1]范围，但会在其附近的某个地方。这就是为什么在计算知觉损失的时候，我必须做这个明确的标准化作为预防措施。据我所知，感知损失的开箱即用实现假设数据在[0,1]或[-1,1]范围内，因此不进行此转换

---

非常感谢

这不是最优雅的方式，但您可以使用

keepdim=True

并指定每个维度：

channel\u min=x.min（dim=1，keepdim=True）[0]。min（dim=2，keepdim=True）[0]。min（dim=3，keepdim=True）[0]
通道_max=x.max（dim=1，keepdim=True）[0]。max（dim=2，keepdim=True）[0]。max（dim=3，keepdim=True）[0]

谢谢你。我在python中尝试了它们，

channel\u min

和

channel\u max

按照它们应该的方式工作。但是我发现

y=（x-min）/max

是错误的，结果不正确，

y=（x-min）/（max-min）

是唯一的选择。无论如何，谢谢你