Pytorch中Unormalize變換的實現

在torchvsion庫中，transforms下邊有個Normalize變換方法，用於圖像數據的歸一化：

class torchvision.transforms.Normalize(mean, std)

給定均值：(R,G,B) 方差：（R，G，B），將會把Tensor正則化。即：Normalized_image=(image-mean)/std。

normalize變換主要用於Imagenet數據集的訓練中作為數據輸入的歸一化。

這就導致在預測圖像后，進行預測標簽和圖像的檢查時，圖像不能正常顯示。需要進行反歸一化變換才可以。

 

但是torchvision沒有給Unormalize方法，下面的代碼實現了UnNormalize變換：

class UnNormalize:
    #restore from T.Normalize
    #反歸一化
    def __init__(self,mean=(0.485, 0.456, 0.406),std= (0.229, 0.224, 0.225)):
        self.mean=tc.tensor(mean).view((1,-1,1,1))
        self.std=tc.tensor(std).view((1,-1,1,1))
    def __call__(self,x):
        x=(x*self.std)+self.mean
        return tc.clip(x,0,None)

用法和normalize相同，二者是正反變換，使用方法如下：

import torch as tc 

from torchvision import transforms as T

t=tc.rand((1,3,24,24))

t1=T.Normalize((1,2,3),(3,2,1))(t)　　　　#歸一化

tt=UnNormalize((1,2,3),(3,2,1))(t1)      #反歸一化

(t-tt).abs().sum()                       #結果比較

輸出是：tensor(5.3823e-05)   

可見反變換后的結果與原結果機乎相同，方法正確。