《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