我正在使用Cifar-10数据集。数据的原始形状是（50000,3072），其中有50000个图像，并且对于每个图像，前1024个像素是红色，接下来的1024个是绿色，接下来的1024个是蓝色。它们以行主格式存储，因此红色的前32个像素是第32行像素的红色。
到目前为止，我已成功将其转换为一个形状为numpy的数组（50000,32,32,3）
trainX.reshape((-1,3,32,32)).transpose([0,2,3,1])
代表50000个图像，32列×32行，每个像素3个颜色强度，但我在数据正规化方面遇到了麻烦。
以下对所有颜色的强度进行了平均，但这并不是真正应该发生的事情，每种颜色应该平均所有颜色仅在数据中自己的颜色强度< / p>
trainX = (trainX-np.mean(trainX))/np.std(trainX)
有没有一种有效的方法来按颜色规范这些数据？是否有更常见的方法来准备这种类型的数据以输入卷积神经网络（例如将图像转换为灰度），或者为网络提供多个颜色平面是否有好处？
答案 0 :(得分：1)
您想迭代三种颜色强度吗？ 这可以通过以下方式完成：
[(trainX[:,:,:,i]-np.mean(trainX[:,:,:,i]))/np.std(trainX[:,:,:,i]) for i in range(np.shape(trainX)[3])]