Machine learning 规范化传递给torch.transforms.Compose函数的图像

如何找到传递给转换的值。在PyTorch中规范化函数？另外，在我的代码中，我应该在哪里进行转换呢

由于规范化数据集是一项众所周知的任务，我希望应该有某种脚本自动完成这项任务。至少我在PyTorch论坛上找不到它

transformed_dataset=MothLandmarksDataset（csv_file='moth_gt.csv'，
根目录_dir=''，
transform=transforms.Compose([
重新缩放（256），
随机作物（224），
归一化（平均值=[0.485,0.456,0.406]，
标准=[0.229,0.224,0.225]），
ToTensor（）
]))
对于范围内的i（len（转换的_数据集））：
样本=转换的_数据集[i]
打印（i，样本['image'].size（），样本['landmarks'].size（））
如果i==3：
打破

我知道这些当前值不属于我的数据集，而是属于ImageNet，但使用它们，我实际上得到了一个错误：

TypeError回溯（最近一次调用）
在里面
10
11表示范围内的i（len（转换的_数据集））：
--->12样本=转换的_数据集[i]
13
14打印（i，样本['image'].size（），样本['landmarks'].size（））
in _uGetItem_uuu（self，idx）
30
31如果自我转换：
--->32样本=自转换（样本）
33
34返回样本
调用中的~/anaconda3/lib/python3.7/site-packages/torchvision/transforms/transforms.py（self，img）
59定义呼叫（自我，img）：
60表示在self.transforms中的t：
--->61 img=t（img）
62返回img
63
调用中的~/anaconda3/lib/python3.7/site-packages/torchvision/transforms/transforms.py（self，tensor）
210张量：归一化张量图像。
211         """
-->212返回F归一化（张量、自平均值、自标准值、自在位）
213
214定义报告（自我）：
归一化中的~/anaconda3/lib/python3.7/site-packages/torchvision/transforms/functional.py（张量、平均值、标准值、就地）
278     """
279如果不是火炬，是张量（张量）：
-->280 raise TypeError（'tensor应该是torch tensor.Got{}.'.format（type（tensor）））
281
282如果张量.ndimension（）！=三：
类型错误：张量应该是火炬张量。得到了。

基本上有三个问题：

如何为我自己的自定义数据集找到与ImageNet mean和std中类似的值

如何传递这些值以及在何处传递？我想我应该在transforms.Compose方法中这样做，但我可能错了

我想我应该对我的整个数据集应用Normalize，而不仅仅是训练集，对吗

更新： 在此处尝试提供的解决方案对我无效：

mean=0。
标准=0。
nb_样本=0。
对于dataloader中的数据：
打印（类型（数据））
批次样本=数据大小（0）
data.shape（0）
数据=数据.视图（批处理样本，数据.大小（1），-1）
平均值+=数据。平均值（2）。总和（0）
标准+=数据标准（2）和（0）
nb_样品+=批量_样品
平均值/=nb_样本
std/=铌铀样品

错误是：

---------------------------------------------------------------------------
AttributeError回溯（最近一次呼叫上次）
在里面
5对于dataloader中的数据：
6打印（类型（数据））
---->7批样品=数据大小（0）
8.
9.数据形状（0）
AttributeError:“dict”对象没有属性“size”

这是打印（数据）结果：

{'image]：张量（[[0.2961,0.2941,0.2941，…，0.2460,0.2456,0.2431]，
[0.2953, 0.2977, 0.2980,  ..., 0.2442, 0.2431, 0.2431],
[0.2941, 0.2941, 0.2980,  ..., 0.2471, 0.2471, 0.2448],
...,
[0.3216, 0.3216, 0.3216,  ..., 0.2482, 0.2471, 0.2471],
[0.3216, 0.3241, 0.3253,  ..., 0.2471, 0.2471, 0.2450],
[0.3216, 0.3216, 0.3216,  ..., 0.2471, 0.2452, 0.2431]],
[[0.2961, 0.2941, 0.2941,  ..., 0.2460, 0.2456, 0.2431],
[0.2953, 0.2977, 0.2980,  ..., 0.2442, 0.2431, 0.2431],
[0.2941, 0.2941, 0.2980,  ..., 0.2471, 0.2471, 0.2448],
...,
[0.3216, 0.3216, 0.3216,  ..., 0.2482, 0.2471, 0.2471],
[0.3216, 0.3241, 0.3253,  ..., 0.2471, 0.2471, 0.2450],
[0.3216, 0.3216, 0.3216,  ..., 0.2471, 0.2452, 0.2431]],
[[0.2961, 0.2941, 0.2941,  ..., 0.2460, 0.2456, 0.2431],
[0.2953, 0.2977, 0.2980,  ..., 0.2442, 0.2431, 0.2431],
[0.2941, 0.2941, 0.2980,  ..., 0.2471, 0.2471, 0.2448],
...,
[0.3216, 0.3216, 0.3216,  ..., 0.2482, 0.2471, 0.2471],
[0.3216, 0.3241, 0.3253,  ..., 0.2471, 0.2471, 0.2450],
[0.3216, 0.3216, 0.3216,  ..., 0.2471, 0.2452, 0.2431]]],
[[[0.3059, 0.3093, 0.3140,  ..., 0.3373, 0.3363, 0.3345],
[0.3059, 0.3093, 0.3165,  ..., 0.3412, 0.3389, 0.3373],
[0.3098, 0.3131, 0.3176,  ..., 0.3450, 0.3412, 0.3412],
...,
[0.2931, 0.2966, 0.2931,  ..., 0.2549, 0.2539, 0.2510],
[0.2902, 0.2902, 0.2902,  ..., 0.2510, 0.2510, 0.2502],
[0.2864, 0.2900, 0.2863,  ..., 0.2510, 0.2510, 0.2510]],
[[0.3059, 0.3093, 0.3140,  ..., 0.3373, 0.3363, 0.3345],
[0.3059, 0.3093, 0.3165,  ..., 0.3412, 0.3389, 0.3373],
[0.3098, 0.3131, 0.3176,  ..., 0.3450, 0.3412, 0.3412],
...,
[0.2931, 0.2966, 0.2931,  ..., 0.2549, 0.2539, 0.2510],
[0.2902, 0.2902, 0.2902,  ..., 0.2
sample = {'image': image, 'landmarks': landmarks}

if self.transform:
    sample = self.transform(sample)

mean = 0.0
std = 0.0
nb_samples = 0.0
for data in dataloader:
    images, landmarks = data["image"], data["landmarks"]
    batch_samples = images.size(0)

    images_data = images.view(batch_samples, images.size(1), -1)
    mean += images_data.mean(2).sum(0)
    std += images_data.std(2).sum(0)
    nb_samples += batch_samples

mean /= nb_samples
std /= nb_samples