mindspore.dataset.vision.Normalize
- class mindspore.dataset.vision.Normalize(mean, std, is_hwc=True)[源代码]
根据均值和标准差对输入图像进行归一化。
此处理将使用以下公式对输入图像进行归一化:output[channel] = (input[channel] - mean[channel]) / std[channel],其中 channel 代表通道索引,channel >= 1。
支持 Ascend 硬件加速,需要通过 .device("Ascend") 方式开启。
说明
此操作默认通过 CPU 执行,也支持异构加速到 GPU 或 Ascend 上执行。
- 参数:
mean (sequence) - 图像每个通道的均值组成的列表或元组。平均值必须在 [0.0, 255.0] 范围内。
std (sequence) - 图像每个通道的标准差组成的列表或元组。标准差值必须在 (0.0, 255.0] 范围内。
is_hwc (bool, 可选) - 表示输入图像是否为HWC格式,
True
为HWC格式,False
为CHW格式。默认值:True
。
- 异常:
TypeError - 如果 mean 不是sequence类型。
TypeError - 如果 std 不是sequence类型。
TypeError - 如果 is_hwc 不是bool类型。
ValueError - 如果 mean 不在 [0.0, 255.0] 范围内。
ValueError - 如果 std 不在 (0.0, 255.0] 范围内。
RuntimeError - 如果给定的tensor format不是<H, W>或<…,H, W, C>。
- 支持平台:
CPU
GPU
Ascend
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> >>> # Use the transform in dataset pipeline mode >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> normalize_op = vision.Normalize(mean=[121.0, 115.0, 100.0], std=[70.0, 68.0, 71.0], is_hwc=True) >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=[normalize_op], ... input_columns=["image"]) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(item["image"].shape, item["image"].dtype) ... break (100, 100, 3) float32 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.Normalize(mean=[121.0, 115.0, 100.0], std=[70.0, 68.0, 71.0])(data) >>> print(output.shape, output.dtype) (100, 100, 3) float32
- 教程样例:
- device(device_target='CPU')[源代码]
指定该变换执行的设备。
当执行设备是 CPU 时,输入数据支持 uint8 、 float32 或者 float64 类型,输入数据的通道支持 1/2/3 。
当执行设备是 Ascend 时,输入数据支持 uint8 或者 float32 类型,输入数据的通道仅支持 1/3。输入数据的维度限制为[4, 6]和[8192, 4096]之间。
- 参数:
device_target (str, 可选) - 算子将在指定的设备上运行。当前支持
CPU
和Ascend
。默认值:CPU
。
- 异常:
TypeError - 当 device_target 的类型不为str。
ValueError - 当 device_target 的取值不为
CPU
/Ascend
。
- 支持平台:
CPU
Ascend
样例:
>>> import numpy as np >>> import mindspore.dataset as ds >>> import mindspore.dataset.vision as vision >>> from mindspore.dataset.vision import Inter >>> >>> # Use the transform in dataset pipeline mode >>> data = np.random.randint(0, 255, size=(1, 100, 100, 3)).astype(np.uint8) >>> numpy_slices_dataset = ds.NumpySlicesDataset(data, ["image"]) >>> resize_op = vision.Resize([100, 75], Inter.BICUBIC) >>> transforms_list = [resize_op] >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=transforms_list, input_columns=["image"]) >>> normalize_op = vision.Normalize(mean=[121.0, 115.0, 100.0], std=[70.0, 68.0, 71.0]).device("Ascend") >>> numpy_slices_dataset = numpy_slices_dataset.map(operations=normalize_op, input_columns=["image"]) >>> for item in numpy_slices_dataset.create_dict_iterator(num_epochs=1, output_numpy=True): ... print(item["image"].shape, item["image"].dtype) ... break (100, 75, 3) float32 >>> >>> # Use the transform in eager mode >>> data = np.random.randint(0, 255, size=(100, 100, 3)).astype(np.uint8) >>> output = vision.Normalize(mean=[121.0, 115.0, 100.0], std=[70.0, 68.0, 71.0]).device("Ascend")(data) >>> print(output.shape, output.dtype) (100, 100, 3) float32