Python pytorch中自定义数据集的数据预处理（transform.Normalize）

我是Pytorch和CNN的新手。我对数据预处理有点困惑。不确定如何进行转换。数据集的正常化（本质上，如何计算自定义数据集的平均值和标准v？）

我正在使用ImageFolder加载数据。图像大小不一

train_transforms = transforms.Compose([transforms.Resize(size=224),
                                       transforms.ToTensor(),  transforms.Normalize((?), (?))
                                       ])
train_dataset = datasets.ImageFolder(root='roota/',
                                     transform=train_transforms)

---

如果您计划从头开始训练网络，您可以计算数据集的统计数据。数据集的统计数据是预先计算的。您可以使用

ImageFolder

在图像中循环以计算数据集统计信息。例如，伪代码-

for inputs, labels in dataloaders:
    # Calculate mean and std dev 
    # save for later processing

---

通常，CNN与其他较大的数据集（如Imagenet）一起预训练，主要是为了减少训练时间。如果您使用的是预训练网络，您可以使用原始数据集的平均值和标准偏差进行培训

多谢各位。这很有道理。我可以计算一组实际数字的平均值和标准差。不知道这是如何用图像或张量完成的。您是否有一个安静的代码或链接（仅作为一个例子）在您实际做到了这一点？