Tensorflow，Keras：通過軸進行張量歸一化

Question

假設我們有張量為A圖像Tensor A (None, 200, 200, 1) 。 其中None是批處理大小，而(200, 200, 1)是圖像大小。

如何在每個圖像上執行歸一化（0到1）（不for迭代）？

那是：

A[0] = (A[0] - A[0].min()) / (A[0].max() - A[0].min())
A[1] = (A[1] - A[1].min()) / (A[1].max() - A[1].min())
...
A[n] = (A[n] - A[n].min()) / (A[n].max() - A[n].min())

如果我直接使用A = (A - A.min()) / (A.max() - A.min()) ，它將通過全局max和min歸一化所有圖像。 我希望使用自己的max和min標准化每個圖像。

換句話說，如何實現max或min運算，將導致以下形狀： (None, 1, 1, 1) ，其中每個(1, 1, 1) 1，1，1 (1, 1, 1)包含每個圖像的最大或最小。

Answer 1

您可以使用tf.reduce_max和tf.reduce_min 。

import tensorflow as tf

A = tf.random_normal(shape=(-1, 200, 200, 1))
B = tf.reduce_max(A, axis=(1, 2, 3))
C = tf.reduce_min(A, axis=(1, 2, 3))

print(B.shape)
print(C.shape)

輸出：

(?,)
(?,)

另外，您的情況下的輸出必須為(None, 1, 1, 1) 1，1，1，1）形狀，而不是(None, 1, 1) (None, 1, 1, 1)形狀，因為您已經包括了最后一個通道尺寸。

B = tf.reshape(B, (-1, 1, 1, 1))
C = tf.reshape(C, (-1, 1, 1, 1))

print(B.shape)
print(C.shape)

上面的代碼提供以下輸出：

(?, 1, 1, 1)
(?, 1, 1, 1)

最后，為什么要從每個像素中減去max ，是要減去0-1之間的標准化每個圖像的min ？

D = (A - C) / (B - C)
print(D.shape)

給

(?, 200, 200, 1)

如預期的那樣。