据我所知，如果我想将数据从[0, 255]归一化到[0, 1)，可以在prototxt文件的transform_param中传递一个scale参数：0.00390625。然而，如果我想在prototxt级别将数据归一化到[-0.5, 0.5]（以获得0均值分布），该怎么做呢？

假设我的train_val.prototxt文件如下所示：

transform_param {  mirror: true  crop_size: 227  scale: 0.00390625  mean_file: "some_mean_file.binaryproto"

从数学角度来看，我认为它看起来像下面这样：

 normalized value = (input pixel value / 255) - 0.5  

但我不知道如何将其映射到transform_param的scale值，因为scale值没有负值（符号值）的概念。或许，Caffe有不同的机制来实现这一点（而不是通过scale操作）。

从我在Udacity的深度学习讲座中获得的理解，它提到始终将输入归一化以获得0均值是一种好的做法。我可以放宽这种指导吗？如果我忽略它，会有什么显著影响吗？

回答：

查看caffe.proto中关于TransformationParameter的注释

// 对于数据预处理，我们可以进行简单的缩放和减去数据均值，如果提供了的话。请注意，均值减法总是先于缩放进行。

均值减法是在缩放之前进行的，因此，在减去mean_file之后，您的数据大约在[-128, 128]范围内。将其缩放1/256，您就完成了，您的数据应该大致在[-0.5, 0.5]范围内。