我对分别标准化每个图像与标准化整个数据集之间的差异感到好奇。
我正在使用使用tf.estimator构建的tensorflow/models/official/resnet。 tf估算器支持生成tf数据集的输入管道功能。数据集对象应用tf.image.per_image_standardization运算符，该运算符通过从每个像素中减去图像本身的平均值来进行标准化，并强制执行单位差异。
这与其他ML预处理不同，其他ML预处理基于整个数据集的平均值对图像进行标准化，例如使用sklearn.preprocessing.StandardScaler。
对于此输入管道的任何方面是否保留在从tf.estimator.Estimator导出的tf SavedModel中，我感到困惑。
因此，我想知道在通过tf.contrib.predictor或以任何其他dnn格式部署模型时为模型提供服务时是否仍需要应用功能标准化。
即使我使用的是per_image_standardization，也应该对数据集应用标准化吗？如果是这样，我是否应该以某种方式从整个图像集中导出平均值，以便在为模型提供服务时，服务器可以从整个数据集中获取平均值并以这种方式应用标准化？
最佳答案
在StandardScaler中，我们进行按功能标准化。对于图像，我们可以考虑整个数据分布，以像素为单位进行归一化，但是由于分布的可变性，这没有帮助。因此，最好使用per_image_standardization，将整个图像标准化为零和std1。这也使学习速度更快。
进一步的this-link可能会有所帮助。在another-link中，作者通过示例进行了解释。
关于python - TensorFlow per_image_standardization与整个数据集的均值标准化，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/54155481/