【深度之眼】Pytorch框架班第五期-transforms.Normalize运行机制调试

transforms.Normalize

transforms.Normalize(mean, std, inplace=False)

功能：逐channel的对图像进行标准化
output = （input - mean）/ std

• mean: 各通道的均值
• std: 各通道的标准差
• inplace: 是否原地操作

调试

1、在my_dataset.py文件中RMBDataset类中的__getitem__(self, index)函数中的transforms语句上设置断点，并在主程序中进行debug

2、点击C按钮进入函数。

3、点击七次B按钮，运行到t=Normalize()。 在Normalize类中有mean和std,即均值和标准差，由于我们没有设置inplace操作，所以inplace=False

4、我们点击C按钮查看Normalize的实现。此时我们来到transforms.py文件中Normalize类中的__call__()函数，此处只有一行代码，它调用了我们的pytorch中functional中的normalize。

5、接下来我们继续点击C按钮查看F.normalize的实现。在该函数中，首先是输入的合法性判断，输入为Tensor,接着判断是否进行原地操作，如果不是，那么我们要对张量进行克隆复制，在新的内存空间中执行操作。接下来是获取均值和标准差并转换为张量的形式
。然后对我们的数据进行减去均值除以标准差，我们可以看到减法操作和除法操作都有下划线，表示inplace操作，直接在tensor上进行修改。这样我们就完成了数据标准化的操作。

6、回到主函数，我们继续往下运行，我们的input就是mean=0,std=1的数据分布。对数据进行标准化之后会加速模型的收敛。