Tensorflow 使用ImageDataGenerator时不了解规范化

我正在尝试使用Keras和Tensorflow作为后端构建一个简单的图像分类器。然而，我很难理解在喀拉斯是如何实现正常化的

我的理解是，在机器学习中，计算训练+验证集的平均值和标准差，然后在标准化测试集和对新数据进行预测时重用平均值和标准差。因此，考虑到这一点，我将解释我在Keras的每个部分中不理解的内容

train_datagen = ImageDataGenerator(rescale=1./255, samplewise_center=True, samplewise_std_normalization=True, shear_range=0.2, zoom_range=0.2)
test_datagen = ImageDataGenerator(rescale=1./255, samplewise_center=True, samplewise_std_normalization=True)
batch_size = 1024
train_generator = train_datagen.flow(X_train, one_hot_train_labels, batch_size=batch_size, shuffle=True)
validation_generator = test_datagen.flow(X_valid, one_hot_valid_labels, batch_size=batch_size)

第一个问题是关于

ImageDataGenerator

。 在文档中，它说

flow

函数规范化了数据，然后我提出了与此相关的三个问题：

如果是流函数进行归一化，则

samplewise\u std\u归一化

和

samplewise\u center

的效果如何

如果我也进行规范化，为什么要使用重缩放

Keras如何对运行时生成的augmentad数据进行规范化，以便在开始之前不知道平均值和std

结果=模型。评估（X_测试，一个热测试标签）

当我们运行

evaluate

时，我有一个问题：

这里如何处理规范化？我无法访问平均值和标准值，因此我无法将其应用于测试集

predict_softmaxs=model.predict（np.array（调整大小的_图像））

当我运行

predict

时，我有一个问题：

再一次，我无法访问平均值和标准差，因此我无法将其应用于预测图像

如果是流函数执行此操作，则samplewise_标准化和samplewise_中心的效果如何 正常化

通常的做法是在运行变压器之前定义它们。例如，

scikit-learn

的转换器也可以这样做（实际上，他们的

标准缩放器以类似的方式工作）

Keras如何对运行时生成的augmentad数据进行规范化，以便在开始之前不知道平均值和std
它可以进行batchtwise规范化

可以说，这不是标准化数据的正确方法。正确的方法是根据列车组进行标准化。
这意味着您应该首先
在列车数据上安装
生成器，然后才使用
flow
方法

这实际上是在
ImageDataGenerator
中烘焙的-如果您指定
samplewise\u std\u normalization
并且在尝试标准化批处理时不适合您的生成器Keras

评估和预测：
这些是模型的方法。他们只是在输入数据上运行模型，所以他们不做任何标准化-您应该向他们提供之前标准化过的数据。
+1用于涵盖批量标准化（这可以减少辍学的需要，并导致更快的网络培训）。我要补充的是，在0-1范围内表示像素值（正常范围0-255）是正常的。因此，当您运行测试数据时，不需要对mean和std-dev（白化）执行任何操作，但需要确保像素值介于0和1之间。我认为使用像素范围0-1有助于减少网络中所需的权重，并有助于网络收敛。但问题仍然是，我不需要对训练集的平均值和标准进行归一化测试集吗？是的，你应该这样做。我据此编辑了答案