Python Pytorch归一化二维张量

对于我的模型的更多robustnes，我想规范化我的特征张量

我试着按照我对图片的知识标准来做：

class Dataset(torch.utils.data.Dataset):
'Characterizes a dataset for PyTorch'
def __init__(self, input_tensor, transform = transforms.Normalize(mean= 0.5, std=0.5)):
    self.labels = input_tensor[:,:,-1]
    self.features = input_tensor[:,:,:-1]
    self.transform = transform

def __len__(self):
    return self.labels_planned.shape[0]

def __getitem__(self, index):

    # Load data and get label
    X = self.features[index]
    y = self.labelslabels[index]
    if self.transform:
        X = self.transform(X)   
    return X, y

但收到以下错误消息：

ValueError: Expected tensor to be a tensor image of size (C, H, W). Got tensor.size() = torch.Size([8, 25]).

无论我看到哪里，人们都建议使用.view生成三维，以符合图片的标准形状，但这对我来说似乎很奇怪。有没有更干净的方法。

---

还有，我应该把标准化放在哪里？仅针对批次或整个列车数据集？

您提出了两个不同的问题，我将尝试回答这两个问题

• 事实上，您应该首先重塑为

  （c，h，w）

  ，其中

  c

  是通道维度。在大多数情况下，您将需要额外的维度，因为大多数“图像”层都是为接收三维维度张量而构建的，不包括批量维度，例如，等等。。。我不相信有任何方法可以绕过它，这样做会将您限制为一层图像数据集
  您可以使用或广播到所需形状：
  或者使用以下方法添加其他尺寸标注：

• 关于规范化。批处理规范化和数据集规范化是两种不同的方法
  前者可以在卷积网络中提高性能。这种操作可以使用层实现，并使用可学习的参数完成：比例因子（~std）和偏差（~mean）。在调用模型时应用这种类型的规范化，并按批应用
  后者是一种预处理技术，允许使不同的特征具有相同的比例。这种规范化可以应用于每个元素的数据集内部。它要求您测量训练集的平均值和标准偏差

---

你问了两个不同的问题，我将尝试回答这两个问题
• 事实上，您应该首先重塑为

  （c，h，w）

  ，其中

  c

  是通道维度。在大多数情况下，您将需要额外的维度，因为大多数“图像”层都是为接收三维维度张量而构建的，不包括批量维度，例如，等等。。。我不相信有任何方法可以绕过它，这样做会将您限制为一层图像数据集
  您可以使用或广播到所需形状：
  或者使用以下方法添加其他尺寸标注：

• 关于规范化。批处理规范化和数据集规范化是两种不同的方法
  前者可以在卷积网络中提高性能。这种操作可以使用层实现，并使用可学习的参数完成：比例因子（~std）和偏差（~mean）。在调用模型时应用这种类型的规范化，并按批应用
  后者是一种预处理技术，允许使不同的特征具有相同的比例。这种规范化可以应用于每个元素的数据集内部。它要求您测量训练集的平均值和标准偏差

---

谢谢，看起来我想要的是第二种选择。我会这样做，我希望整个转换可以（也可能必须）在单位函数中完成。只需测量训练数据的平均值和标准偏差，使用这两个值初始化

转换。规范化
转换，然后像您那样在
\uu getitem\uuuu
中使用它。请记住向
（c、h、w）
广播！谢谢，看起来我想要的是第二种选择。我会这样做，我希望整个转换可以（也可能必须）在单位函数中完成。只需测量训练数据的平均值和标准偏差，使用这两个值初始化
转换。规范化
转换，然后像您那样在
\uu getitem\uuuu
中使用它。请记住向
（c、h、w）
广播！
X = X.reshape(1, *X.shape)

X.unsqueeze(0)