我的数据集是一个Numpy数组，尺寸为（N，W，H，C），其中N是图像数量，H和W分别是高度和宽度，C是通道数。
我知道有很多工具可以用，但我想只用Numpy来规范化这些图像。
我的计划是计算整个数据集中每个通道的平均值和标准差，然后减去平均值并除以标准差。
假设我们的数据集中有两张图片，这两张图片的第一个通道看起来像这样：
x=array([[[3., 4.],
[5., 6.]],
[[1., 2.],
[3., 4.]]])
计算平均值：
numpy.mean(x[:,:,:,0])
= 3.5
计算标准差：
numpy.std(x[:,:,:,0])
= 1.5
将第一个通道归一化：
x[:,:,:,0] = (x[:,:,:,0] - 3.5) / 1.5
这正确吗？
谢谢！
看起来不错，但有些NumPy的功能可以让它变得更好。我假设你想单独对每个通道进行归一化。
首先，注意到x有一个方法mean，我们可以写成x[..., 0].mean()而不是np.mean(x[:, :, :, 0])。另外，mean方法接受关键字参数axis，我们可以按以下方式使用：
means = x.mean(axis=(0, 1, 2)) # Take the mean over the N,H,W axes
means.shape # => will evaluate to (C,)
接下来，我们可以像这样从整个数据集中减去平均值：
centered = x - x.mean(axis=(0,1,2), keepdims=True)
请注意这里必须使用keepdims。
还有一个x.std的方法也是同样的，所以我们可以在一行中完成整个归一化过程：
z = (x - x.mean(axis=(0,1,2), keepdims=True)) / x.std(axis=(0,1,2), keepdims=True)
查看numpy.ndarray.mean和np.ndarray.std文档以获取更多信息。当您调用x.method而不是使用np.method(x)时，np.ndarray.method方法就会生效。
编辑：我后来了解到，当然还有scipy.stats.zscore。不确定这是否是在每个通道上获取z分数的更易读的方式，但有些人可能会更喜欢它：
z = zscore(x.reshape(-1, 3)).reshape(x.shape)
scipy函数只能在一个轴上操作，因此我们首先必须将其重塑为一个NHW x C矩阵，然后再将其重塑回来。