如何在tensorflow中反转tf.image.per_image_standarization（）函数？

Tensorflow中的

tf.image.per\u image\u standarization（）

以零均值和单位方差转换每个图像。因此，在训练深度学习模型时，这会导致非爆炸性梯度。但是，当我们想要显示图像阵列时，如何在Tensorflow中还原此z分数标准化步骤？

通过“显示图像阵列”，我想您的意思是在tensorboard中显示它。如果是这种情况，那么您不需要做任何事情，tensorboard可以处理已经标准化的图像。如果您希望原始值用于任何其他目的，为什么不在标准化变量之前使用该变量，例如：

img = tf.placeholder(...)
img_std = tf.image.per_image_standardization(img)

您可以使用

img

或

img\u std

以任何您认为合适的方式进行操作

如果你有一个用例去规范化上面没有提到的标准化图像，那么你需要自己计算平均值和标准偏差，然后乘以标准偏差并加上平均值。请注意，

tf.image.per_image_standarization

使用文档中定义的

调整后的stddev

：

adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements()))

该层将创建一些内部变量，可用于恢复原始数据。请注意，这是未记录的行为，不能保证保持不变。不过，现在，您可以使用下面的代码（已测试）来参考如何获取相关张量和恢复原始数据：

import tensorflow as tf
import numpy as np

img_size = 3
a = tf.placeholder( shape = ( img_size, img_size, 1 ), dtype = tf.float32 )
b = tf.image.per_image_standardization( a )

with tf.Session() as sess:
    tensors, tensor_names = [], []
    for l in sess.graph.get_operations():
        tensors.append( sess.graph.get_tensor_by_name( l.name + ":0" ) )
        tensor_names.append( l.name )

    #mean_t = sess.graph.get_tensor_by_name( "per_image_standardization/Mean:0" )
    #variance_t = sess.graph.get_tensor_by_name( "per_image_standardization/Sqrt:0" )

    foobar = np.reshape( np.array( range( img_size * img_size ), dtype = np.float32 ), ( img_size, img_size, 1 ) )
    res =  sess.run( tensors, feed_dict = { a : foobar } )
    #for i in xrange( len( res ) ):
    #    print( i, tensor_names[ i ] + ":" )
    #    print( res[ i ] )
    #    print()

    mean = res[ 6 ] # "per_image_standardization/Mean:0"
    variance = res[ 13 ] # "per_image_standardization/Sqrt:0"
    standardized = res[ 18 ] # "per_image_standardization:0"
    original = standardized * variance + mean
    print( original )

您可以取消注释

mean\u t

和

variance\u t

行，以按名称获取对相关张量的引用。（需要重写

sess.run（）

部分。）您可以在xrange（…（无需重写）中为i取消注释以

开头的四行，以打印所有可用创建的张量供您参考。：）

上述代码按原样输出：

[[0.]

[1.]

[2.]]

[[3.]

[4.]

[5.]

[[6.]

[7.]

[8.]]

这正是传送到网络的数据。
Hi。是关于规范化表，而不是规范化碰巧在表中的数据。