首先，使用深度学习框架构建训练数据时，通常需要“数据规范化”(Normalize )以方便网络训练。 训练过程的可视化通常需要逆正规化。 PyTorch框架提供了torch vision.transforms.normalize (mean，std，inplace=False )方法用于规范化。
正规化的本质是根据平均值和标准偏差调整数据的分布。
# torch vision.transforms.normalize (mean，std，inplace=False ) output[channel]=) input [ channel ]-chanen
(1)正常归一化是将经过(-1，1 )方法的数据缩放到[-1，1 ]之间，其中，[ 0，255 ]可以将范围转换为[ 0，1 ]之间。
transforms.normalize (0.5、0.5、0.5 )、0.5、0.5、0.5 ) )2) ImageNet预规范化transforms.normalize ) ) 0.485， 0.456 0.225 ) )该平均值和标准偏差基于ImageNet数据集的统计，用于创建与ImageNet数据集的数据分布类似的数据集分布(从人、风景、交通工具等生活的真实场景创建的数据集) 如果创建的数据集不是生物医学图像那样的生活真实场景，则不建议使用此参数。
(3)对于计算数据集的平均值和标准偏差的特定数据集，可通过统计计算训练集来直接计算平均值和标准偏差。
逆正规化相对于通常的正规化方法的逆正规化：
defdenorm(x ) :out=) x1 )/2returnout.clamp_ ) 0，1 ) ImageNet预规范化方法的逆规范化：
classunnormalize(object ) :def_init_ ) self，mean， std ) : self.mean=mean self.STD=stddef _ _ ctd tensor ) :''Args:tensor(tensor ) : Tensor image of size (C w ) tobe normalized.returns : tensor : normalized image.' ' fort，m，sinzip(tensor，self.mean，self.STD (333666 )
参考资料[1] image processing[数据规范化]平均值和方差设置
[2] torch vision.transforms.normalize (mean，std，inplace=False ) )。
[3] howtogetthesedata (means=[ 0.485，0.456，0.406 ] STDs=[ 0.229，0.224，0.225 ] in your code？ #6
[4] whypytorchofficiallyusemean=[ 0.485，0.456，0.406 ] and STD=[ 0.229，0.224，0.225 ] tonormalizeimages？
[5]简单way to inverse transform？ 正常化
[6] PyTorch函数的torch vision.transforms.to tensor (和Normalize ) )。
[7] pytorch归一化和逆归一化