我已经编写了简单的数字识别模型，该模型中装有来自MNIST的图像，我想使用该模型来预测自己的数字，但是遇到了归一化问题。
我使用了来自MNIST的图像进行标准化：
x_train = keras.utils.normalize(x_train, axis=1)
x_test = keras.utils.normalize(x_test, axis=1) # shape = (60000, 28, 28)
但是当我尝试对自己的图像执行相同操作时：
my_digit = cv2.imread("three.jpg") # shape = (28, 28, 3)
my_digit = cv2.cvtColor(my_digit, cv2.COLOR_RGB2GRAY) # shape = (28, 28)
my_digits = np.array([my_digit]) # shape = (1, 28, 28)
my_digits = keras.utils.normalize(my_digits, axis=1)
使用keras图像规范化后变得有点脏： image with keras' normalization
当我删除时：
my_digits = keras.utils.normalize(my_digits, axis=1)
然后图像很好image without keras' normalization
我发现的“解决方案”是将每个元素都除以255，就像这样：
my_digit = np.divide(my_digit, 255)
然后图像看起来很好-像归一化之前一样
编辑： 在规范化x_train（MNIST数据集）之前，其dtype为uint8，在规范化之后，其dtype为float64。对于我的图像-在规范化（utils.keras）之前，其dtype是uint8，在规范化之后，其dtype是float64。当我通过将每个项目除以255来归一化我的数字时也是如此-我的意思是在uint8之前和float64之后。
我想知道为什么我要手动规范我自己的图像（keras.utils.normalization之后的MNIST图像看起来和规范化之前一样好），然后它们看起来还可以，但是当我使用keras.utils.normalization时，我就得到了一些“污染”