Image 哪个预处理步骤适合我的数据集？

我有一个图像的训练数据集。这些图像的范围为0-2500。然而，在我的测试数据集中，一些图像的范围是200-3000。我的问题是，哪一个预处理步骤适用于此类数据：

标准化为零均值和单位方差

标准化为[0,1]

通过标准化[0,1]转换到0-2500范围，然后乘以2500

---

谢谢大家

输入神经网络的数据应该尽可能接近测试数据集。这通常是通过标准化来完成的，因为在类似的图像中，这些值通常是密切相关的。然而，这不能说是一般的，而是取决于您的用例。对于一般的经验法则，我建议您查看：

您输入到神经网络的数据应该尽可能接近您的测试数据集。这通常是通过标准化来完成的，因为在类似的图像中，这些值通常是密切相关的。然而，这不能说是一般的，而是取决于您的用例。作为一个一般的经验法则，我建议你看一下：

你唯一的选择是试验，看看哪一个更好。你唯一的选择是试验，看看哪一个更好。谢谢，托马斯·皮内茨。你完全正确，我真的同意你的观点，训练和测试范围必须尽可能接近。然而，在我的例子中，与

[02000]

相比，测试数据具有不同的范围

[2003000]

。你认为选择2或3更好吗？因为它们是标准化图像的相同方法，所以我个人会从选项2开始。如果测试错误不在应该的位置，我会尝试选项1作为替代。谢谢。有些文件提到选项1而不是选项2。谢谢你的帮助。在斯坦福大学的课程中，它还使用了选项1，这是因为规范化训练集和批量规范化之间存在交互作用。批量标准化需要一个0平均单位方差训练集。然而，尽管我大量使用了批处理规范化，但我最近通过对我的用例使用0-1规范化获得了更好的性能。感谢分享这些信息。对，我也在我的网络中使用BN层。我会按照你的建议尝试正常化0-1谢谢，托马斯·皮内茨。你完全正确，我真的同意你的观点，训练和测试范围必须尽可能接近。然而，在我的例子中，与

[02000]

相比，测试数据具有不同的范围

[2003000]

。你认为选择2或3更好吗？因为它们是标准化图像的相同方法，所以我个人会从选项2开始。如果测试错误不在应该的位置，我会尝试选项1作为替代。谢谢。有些文件提到选项1而不是选项2。谢谢你的帮助。在斯坦福大学的课程中，它还使用了选项1，这是因为规范化训练集和批量规范化之间存在交互作用。批量标准化需要一个0平均单位方差训练集。然而，尽管我大量使用了批处理规范化，但我最近通过对我的用例使用0-1规范化获得了更好的性能。感谢分享这些信息。对，我也在我的网络中使用BN层。我将按照您的建议尝试正常化0-1