正如问题所示，我试图将images转换为张量。

X, y = train_sequence[idx]  images = Variable(torch.from_numpy(X)).to(device) # [batch, channel, H, W]masks = Variable(torch.from_numpy(y)).to(device) print(type(images)) ## Output: <class 'torch.Tensor'>images = transforms.Normalize((0.5, 0.5, 0.5, 0.5, 0.5), (0.5, 0.5, 0.5,0.5, 0.5))(images)masks =  transforms.Normalize((0.5), (0.5))(masks)

但我在---> 19 images = transforms.Normalize((0.5, 0.5, 0.5, 0.5, 0.5), (0.5, 0.5, 0.5,0.5, 0.5))(images)处得到了错误

TypeError: tensor is not a torch image.

回答：

这是因为目前，torchvison.transforms.Normalize仅支持具有2或3个通道的图像，且不包含批次维度，即(C, H, W)。因此，不应传入一个4D张量，像这样会起作用：

image = torch.ones(3, 64, 64)image = transforms.Noramalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))(image)

另外，由于0.5值代表图像通道的均值和标准差，通常应该只有3个通道（你不会“标准化”批次维度，只标准化空间维度），所以不要使用长度为5的tuple，而是使用(0.5, 0.5, 0.5)。