我很想知道分别标准化每个图像与标准化整个数据集之间的区别。
我使用的tensorflow/models/official/resnet是使用tf.estimator构建的。 tf估算器支持生成tf数据集的输入管道功能。数据集对象应用tf.image.per_image_standardization运算符，该运算符通过从每个像素中减去图像本身的平均值来进行标准化，并强制执行单位方差。
这与其他ML预处理不同，其他ML预处理基于整个数据集的均值对图像进行标准化，例如使用sklearn.preprocessing.StandardScaler。
对于从tf.estimator.Estimator导出的tf SavedModel中是否保留了此输入管道的任何方面，我感到困惑。
所以我想知道在通过tf.contrib.predictor或以任何其他dnn格式部署模型时，是否仍需要应用功能标准化。
即使我正在使用per_image_standardization，也应该在数据集中应用标准化吗？如果是这样，我是否应该以某种方式从整个图像集中导出平均值，以便在为模型提供服务时，服务器可以从整个数据集中获取平均值并以这种方式应用标准化？
答案 0 :(得分：1)
在StandardScaler中，我们进行基于功能的规范化。对于图像，我们可以考虑整个数据分布，以像素为单位进行归一化，但这无济于事，因为分布的可变性。因此，最好使用 per_image_standardization ，它会将整个图像标准化为零和std1。这也使学习变得更快。
进一步this-link可能会有所帮助。有another-link，作者通过举例说明了这一点。