Tensorflow，Keras：按轴进行张量归一化

【问题标题】：Tensorflow, Keras: Tensor normalization by axisTensorflow，Keras：按轴进行张量归一化
【发布时间】：2018-08-06 11:36:36
【问题描述】：

假设我们有图像张量A，形状为(None, 200, 200, 1)。其中None 是批量大小，(200, 200, 1) 是图像大小。

如何对每张图片进行归一化（0到1）（不使用for迭代）？

即：

A[0] = (A[0] - A[0].min()) / (A[0].max() - A[0].min())
A[1] = (A[1] - A[1].min()) / (A[1].max() - A[1].min())
...
A[n] = (A[n] - A[n].min()) / (A[n].max() - A[n].min())

如果我直接使用A = (A - A.min()) / (A.max() - A.min())，它将通过全局max 和min 标准化所有图像。我希望用自己的max 和min 标准化每个图像。

换句话说，如何实现max 或min 操作，导致形状为：(None, 1, 1, 1)，其中每个(1, 1, 1) 包含每个图像的最大值或最小值。

【问题讨论】：

标签： python tensorflow keras

【解决方案1】：

您可以使用tf.reduce_max 和tf.reduce_min。

import tensorflow as tf

A = tf.random_normal(shape=(-1, 200, 200, 1))
B = tf.reduce_max(A, axis=(1, 2, 3))
C = tf.reduce_min(A, axis=(1, 2, 3))

print(B.shape)
print(C.shape)

输出：

(?,)
(?,)

此外，在您的情况下，输出的形状必须为 (None, 1, 1, 1)，而不是 (None, 1, 1)，因为您已包含最后一个通道维度。

B = tf.reshape(B, (-1, 1, 1, 1))
C = tf.reshape(C, (-1, 1, 1, 1))

print(B.shape)
print(C.shape)

以上代码给出以下输出：

(?, 1, 1, 1)
(?, 1, 1, 1)

最后，你为什么要从每个像素中减去max，你的意思是要为normalizing each image between 0-1 减去min？

D = (A - C) / (B - C)
print(D.shape)

给予

(?, 200, 200, 1)

正如预期的那样。

【讨论】：