Python 哪种是正确的图像标准化方法？

在为神经网络训练准备训练集时，我发现了两种可能的方法

传统的方法是：计算整个训练集的平均值，然后在发送到网络之前减去每个图像的固定平均值。以类似的方式处理标准偏差

我发现tensorflow提供了一个函数

tf.image.per\u image\u standarization

，可以对单个图像进行规范化处理

---

我想知道哪种方法更合适？

两种方法都有可能，选择主要取决于您读取数据的方式

• 当您可以将整个数据集一次性加载到numpy数组中时，整个训练集规范化非常方便。例如，通常完全加载到内存中。在收敛性方面，当单个图像显著变化时，这种方法也更可取：两个训练图像，一个大部分为白色，另一个大部分为黑色，将具有非常不同的方法

• 当图像逐个加载或以小批量加载（例如从TFRecord加载）时，每个图像的规格化非常方便。当数据集太大或太适合内存时，它也是唯一可行的选择。在这种情况下，最好像图中的其他张量一样组织和变换图像张量。我在CIFAR-10中看到了这种标准化的非常好的准确性，因此这是一种可行的方法，尽管前面提到了一些问题。还请注意，您可以通过以下方式减少负面影响