《南溪的目标检测学习笔记》——特征归一化(mead&std)
Posted songyuc
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了《南溪的目标检测学习笔记》——特征归一化(mead&std)相关的知识,希望对你有一定的参考价值。
key words: Feature Normalization, 特征归一化
1 介绍
在这篇博文中,我们将介绍特征归一化(Feature Normalization)方法;
特征归一化FN一般用于图像预处理中,使用T.Normalize(mean, std)
来实现;
所以在进行归一化操作时,我们需要知道数据分布的mean和std;
这里,我们认为:mead&std是从训练集中获得的。
于是,首先来看看怎么获得训练集的mead&std;
2 Mead&std(均值和方差)
数据输入:训练集数据
这里来看看均值和方差的数学公式,
均值(离散随机变量的数学期望):
E
(
X
)
=
∑
i
N
x
i
N
.
E(X) = \\frac{\\sum_{i}^{N}x_i}{N}.
E(X)=N∑iNxi.
这里
N
N
N为样本的总个数。
标准差\\sigma(X)(离散随机变量的数学期望):
D
(
X
)
=
E
(
X
2
)
−
[
E
(
X
)
]
2
σ
(
X
)
=
D
(
X
)
.
D(X) = E(X^2) - {\\left [ E\\left ( X\\right )\\right ]}^2\\\\ \\sigma(X) = \\sqrt{D(X)}.
D(X)=E(X2)−[E(X)]2σ(X)=D(X).
备注:我们这里采用推导式来计算标准差,因为这样通过一次循环就可以计算出std,实现效率会更高一些。
以上是关于《南溪的目标检测学习笔记》——特征归一化(mead&std)的主要内容,如果未能解决你的问题,请参考以下文章