我的数据集是一个Numpy数组，维度为(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用，但我希望仅使用Numpy来标准化这些图像。

我的计划是计算整个数据集中每个通道的均值和标准差，然后减去均值并除以标准差。

假设数据集中有两张图像，且这两张图像的第一个通道看起来像这样：

x=array([[[3., 4.],          [5., 6.]],          [[1., 2.],          [3., 4.]]])

计算均值：

numpy.mean(x[:,:,:,0])= 3.5

计算标准差：

numpy.std(x[:,:,:,0])= 1.5

标准化第一个通道：

x[:,:,:,0] = (x[:,:,:,0] - 3.5) / 1.5

这是正确的吗？

谢谢！

回答：

看起来不错，但NumPy有一些功能可以让它变得更简洁。我假设你想单独标准化每个通道。

首先，请注意x有一个mean方法，所以我们可以写x[..., 0].mean()而不是np.mean(x[:, :, :, 0])。此外，mean方法接受关键字参数axis，我们可以这样使用：

means = x.mean(axis=(0, 1, 2)) # 在N,H,W轴上取均值means.shape # => 将会计算为(C,)

然后我们可以从整个数据集中减去均值，如下所示：

centered = x - x.mean(axis=(0,1,2), keepdims=True)

请注意，这里我们必须使用keepdims。

还有一个x.std方法，工作方式相同，所以我们可以在一行内完成整个标准化过程：

z = (x - x.mean(axis=(0,1,2), keepdims=True)) / x.std(axis=(0,1,2), keepdims=True)

请查看numpy.ndarray.mean和np.ndarray.std的文档以获取更多信息。np.ndarray.method方法是你调用x.method时使用的，而不是使用np.method(x)。

编辑：后来我了解到，当然还有一个scipy.stats.zscore。我不确定这是否是沿每个通道计算z分数的更可读的方式，但有些人可能更喜欢它：

z = zscore(x.reshape(-1, 3)).reshape(x.shape)

Scipy函数只能在一个轴上操作，所以我们必须先重塑为NHW x C矩阵，然后再重塑回来。