Keras规范化会污染数据

我编写了一个简单的数字识别模型，该模型由MNIST的图像提供，我想用这个模型来预测我自己的数字，但我遇到了标准化的问题

要规范化来自MNIST的图像，我使用了：

x_train = keras.utils.normalize(x_train, axis=1)
x_test = keras.utils.normalize(x_test, axis=1) # shape = (60000, 28, 28)

但当我试图对自己的形象做同样的事情时：

my_digit = cv2.imread("three.jpg") # shape = (28, 28, 3)
my_digit = cv2.cvtColor(my_digit, cv2.COLOR_RGB2GRAY) # shape = (28, 28)
my_digits = np.array([my_digit]) # shape = (1, 28, 28)
my_digits = keras.utils.normalize(my_digits, axis=1)

使用keras标准化后，图像变得有点脏：

当我删除：

my_digits = keras.utils.normalize(my_digits, axis=1)

然后图像就好了

我找到的“解决方案”是将每个元素除以255，如下所示：

my_digit = np.divide(my_digit, 255)

然后图像看起来像正常化之前一样

编辑： 在规范化x_序列（MNIST数据集）之前，其数据类型为uint8，规范化之后为float64。对于我的图像-在标准化之前（utils.keras），它的数据类型是uint8，标准化之后是float64。当我通过将每一项都除以255来规范化我的数字时也是一样的——我的意思是在前面加上uint8，后面加上float64

---

我想知道为什么我要规范化自己的图像（keras.utils.normalization之后的MNIST图像看起来和规范化之前一样好）手动，然后它们看起来正常，但当我使用keras.utils.normalization时，我会受到一些“污染”

请检查规范化前后

x\u列

和

my\u digits

/

my\u digits

数据的数据类型，并将此信息添加到帖子中。我已经检查过了，不幸的是，数据类型看起来不错。我编辑了这篇文章。