当我想将张量归一化到0到1的范围时，应该使用什么样的均值和标准差？但我处理的图像只有2个通道（a、b通道 -> -128到127），而不是3个通道。因此，通常的mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]无法满足需求。
transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])])这导致了以下错误信息：
tensor.sub_(mean[:, None, None]).div_(std[:, None, None])
RuntimeError: The size of tensor a (2) must match the size of tensor b(3) at non-singleton dimension 0
回答：
如你所见，PyTorch抱怨张量的大小，因为你缺少一个通道。
此外，这些“常用”的均值和标准差值是在ImageNet数据集上计算的，如果你的数据统计特性与该数据集相匹配，这些值是有用的。
由于你只处理两个通道，我假设你的领域可能与3通道自然图像有很大不同。在这种情况下，我会简单地使用0.5作为mean和std的值，这样最小值0将被转换为(0 - 0.5) / 0.5 = -1，最大值1将被转换为(1 - 0.5) / 0.5 = 1。
transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=[0.5, 0.5], std=[0.5, 0.5])])编辑：我建议对输入进行零中心化处理。
然而，如果出于某些原因你必须将其范围保持在[0, 1]之间，仅调用ToTensor()就足够了。
在这种情况下，需要注意的是，我认为ToTensor() 假设你的输入范围在[0, 255] 进行变换前，因此它基本上是将输入除以255。如果在你的领域中并非如此（例如，你的输入总是处于[1, 50]范围内），我建议你创建一个自定义变换，以便根据你的数据的实际上限进行除法操作。
