我在使用Keras进行机器学习，我的神经网络输出图像。

我的数据已经过标准化处理，因此我将网络的输出反标准化，然后使用Image.fromarray将其转换为PIL图像，并显示这些图像。

然而，我得到的图像看起来非常杂乱。例如，它们看起来像这样：

或者

而它们本应该看起来像

我的损失值已经降至相当低的数值，并且当我查看网络的输出值时，它们看起来相当正常。

为什么这些图像显示得如此杂乱？我该如何解决这个问题？

回答：

问题在于你的网络输出并未完全在[0, 255]范围内。

即使你在网络的最后一层使用了sigmoid函数（这将保证你的输出在(0, 1)范围内），当你“反标准化”图像时，你可能会以某种方式将它们操作到[0, 255]范围之外。

这通常与你如何标准化图像有关。在我的情况下，我认为是因为在标准化图像时，我在除以零的情况下使用了一个小的epsilon值。在反标准化时，这导致了值超出[0, 255]范围的问题。

解决方案是在将其转换为PIL图像之前，将你的数组强制转换到[0, 255]范围内。

我使用以下方法实现这一点：

image_array = np.minimum(image_array, np.full(image_array.shape, 255))image_array = np.maximum(image_array, np.full(image_array.shape, 0))

这会对数组进行两次逐元素比较，如果值超过255，则将其设置为255；如果值低于0，则将其设置为0。

然后你可以使用生成的image_array，并像你之前做的那样使用Image.fromarray(image_array)将其转换为PIL图像。

你得到的图像应该看起来更像你问题中发布的那张良好图像。（实际上，在你的情况下，它应该看起来完全像你发布的那张良好图像 ;)）