如何标准化张量

Question

当我有图像时，我可以按如下方式对图像进行标准化：

   image[:, :, 0] = ((image[:, :, 0]-mean_1))/std_1
   image[:, :, 1] = ((image[:, :, 1]-mean_2))/std_2
   image[:, :, 2] = ((image[:, :, 2]-mean_3))/std_3

其中mean_1和std_1是第一个通道的均值和标准差。 mean_2、std_2、mean_3 和 std_3 相同。但现在图像是一个张量并具有以下信息：

(460, 700, 3) <dtype: 'float32'>
<class 'tensorflow.python.framework.ops.Tensor'>

我是 tensorflow 的新手，我不知道如何将上述公式转换为对张量执行相同任务的代码 image ?

编辑：均值和标准差是我对所有数据集图像计算的。所以我有他们的价值观。

更新 1：我尝试使用 tf.keras.layers.Normalization 阻碍我的模型来解决这个问题：

inputs = keras.Input(shape=(460,700,3))
  norm_layer = Normalization(mean=[200.827,160.252,195.008], 
                      variance=[np.square(33.154), 
                                np.square(45.877), 
                                np.square(29.523)])
  inputs=norm_layer(inputs)

这提出了两个新问题：

tf.keras.layers.Normalization 和上面的代码是否按我的需要规范化了每个通道的输入？
使用上面的代码，tf.keras.layers.Normalization 是否仅适用于测试和验证数据或训练数据？我需要它来处理所有数据集。

请大家帮帮我:(我很困惑。

Answer 1

更新 1：修复以展示如何与预处理层一起使用

import tensorflow as tf
import numpy as np

# Create random img
img = tf.Variable(np.random.randint(0, 255, (10, 224, 224 ,3)), dtype=tf.uint8)

# Create prerprocessing layer
# Note: Works with tensorflow 2.6 and up
norm_layer = tf.keras.layers.Normalization(mean=[0.485, 0.456, 0.406], variance=[np.square(33.154), np.square(45.877), np.square(29.523)])

# Apply norm_layer to your image
# You need not add it to your model
norm_img = norm_layer(img)

# or 
# Use via numpy but the output is a tensor since your running a preprocesisng layer
# norm_img = norm_layer(img.numpy())

# Run model prediction
predictions = model.predict(norm_img)

如何标准化张量

How to standardize a tensor

tensorflow

image-preprocessing

tensor