Image processing 卷积神经网络的图像预处理

我有

*.png

文件，我想将图像转换为卷积神经网络环境中的一种热编码

我的图像是

224x224

。我搜索了许多在线参考资料，但我不太明白如何将图像转换为一种热编码。我是逐行追加还是逐列追加？一种方式比另一种好吗

创建一个热编码向量后，将应用规范化操作，例如将向量的每个值除以

256

（RGB的最大值）。这样可以防止数字膨胀并导致溢出。但是，我也看到从该值中减去了

0.5

。为什么会这样？这有效地将值的范围置于

[-0.5,0.5]

之间。然而，在大多数convnet中，应用了一个

ReLU

层，该层将使所有这些值变为零或更大。所以，我不明白为什么要这样做

最后，一旦我将图像转换成一个热编码向量，我在哪里添加偏差项？我把它加在一个热编码向量的前面还是后面，这个值到底应该是什么？给定向量的标准化，我通常看到偏差项是一个添加到向量前面的

1

。但是，为什么我们选择

1

，为什么它通常附加在前面

我想，我回答了你关于stats stackexchange的部分问题：）我猜你是被搞混了，因为你正在考虑将一个图像转换为一个热编码表示。这不是它的工作原理。一个热编码只是关于标签，您不需要转换图像（来自我上面的评论）

同样，当你对一个热标签感到困惑时（仔细阅读一下），你不会处理一个热编码标签。处理图像（本例中为预处理）。法线可以是各种类型。对于深度学习，通常的方法是进行归一化，使平均值为0，标准偏差为1。我没有尝试使用（-0.5,0.5）进行正常化，而是回答您关于ReLU的问题。ReLU是用来引入非线性的。如果你多读一些关于深度学习（特别是反向传播）的书会更好

再一次！你混淆了深度学习。偏差项是在训练过程中添加的。这是过程的一部分。既然你在问这个问题，你需要阅读神经网络

这个简单的教程播放列表帮助我理解了深度学习，希望这对你也有帮助

---

祝您学习顺利：）

我想，我已经回答了您在stats stackexchange上的问题：）我猜您可能会混淆，因为您正在考虑将图像转换为onehot编码表示。这不是它的工作原理。一个热编码只是关于标签，你不需要转换图像。嗯，我明白了。非常感谢。我会看清楚的！