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