Pytorch Torchvision规范化-它如何在均值/标准差元组上运行？

我不明白torchvision的这种转变是如何运作的。最终，我想构建一个定制的规范化类，所以我需要首先弄清楚它是如何工作的

在文档中，它这样描述init：

def __init__(self, mean, std, inplace=False):
        self.mean = mean
        self.std = std
        self.inplace = inplace

class Normalize(object):
    """Convert ndarrays in sample to Tensors."""

    def __init__(self, mean, std, inplace=False):
        self.mean = mean
        self.std = std
        self.inplace = inplace

    def __call__(self, sample):
        image, landmarks = sample['image'], sample['landmarks']
        return {'image': F.normalize(image, self.mean, self.std, self.inplace),
                'landmarks': landmarks}

当我传递这些参数时，通常（不是自定义类），我会将它们作为每个通道的列表或元组传递：

transforms.Normalize（[0.485,0.456,0.406]，[0.229,0.224,0.225]）

但如果我看一下电话：

返回F.normalize（张量、self.mean、self.std、self.inplace）

所有这些都将元组传递给F.normalize（），它只接受p参数的单个值

该类必须以某种方式通过通道进行迭代，以允许实现该功能，但它是如何实现的，以及如何在自定义类中实现它

基于此，我将这样描述：

def __init__(self, mean, std, inplace=False):
        self.mean = mean
        self.std = std
        self.inplace = inplace

class Normalize(object):
    """Convert ndarrays in sample to Tensors."""

    def __init__(self, mean, std, inplace=False):
        self.mean = mean
        self.std = std
        self.inplace = inplace

    def __call__(self, sample):
        image, landmarks = sample['image'], sample['landmarks']
        return {'image': F.normalize(image, self.mean, self.std, self.inplace),
                'landmarks': landmarks}

---

但是这不起作用，因为它不经过每个通道。

在那里调用的

normalize

函数就是这个

输入是形状的张量

（C，H，W）

和

平均值

和

std

可以是内部转换为张量的序列。通过广播实现标准化：

---

tensor.sub_（mean[：，None，None]）.div_（std[：，None，None]）

噢，哇，这太令人困惑了，因为torch有自己的函数类，通常被称为

F。以同样的方式规范化
。谢谢，
torchvision
和
torch
都有自己的功能界面。