machine-learning - MNIST教程中如何预处理MNIST数据集？

我正在通过the MNIST tensorflow tutorial并想知道如何对数据集进行预处理。特别是，我认为图像通常具有整数值来表示像素的强度。例如，我想的范围是0到255。但是，当我检查一个像素值时，我得到了浮点值，这与我的预期有所不同。检查向量的结尾：

0.80784321，0.96470594，0.6156863，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.01568628、0.45882356、0.27058825，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.，0.，
    0.，0.，0.，0.]）

要检查是否已标准化，以使每个向量都是单位范数，我这样做了：

from numpy import linalg as LA
LA.norm(X_train[0,:])
10.20854430695328

但是可以看出，向量的范数大于1。

因此，我认为可能没有像我想象的那样对它们进行缩放，也许它们是使用Z = X - mu/ std中的统计归一化进行缩放的。为了检查该假设，我通过了the scipy tutorial来缩放图像。为此，我使用以下命令检查了数据的均值和标准差：

X_train.mean(axis=0)

和

X_train.std(axis=0)

当我这样做时，我得到的是没有标准化的向量，即它们没有均值0或标准dev1。均值表示：

     1.48377906e-04,   3.16577558e-04,   4.71443878e-04,
     7.53226424e-04,   1.28991095e-03,   1.64713022e-03,
     1.94303042e-03,   2.20263827e-03,   2.67707680e-03,
     2.33504470e-03,   1.88178264e-03,   1.35629241e-03,
     7.74688105e-04,   3.29839591e-04,   1.72834236e-04,
     6.32442098e-05,   5.16221064e-05,   8.55615031e-06,
     0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
     0.00000000e+00])

性病者说：

     9.73316794e-03,   1.48564994e-02,   1.79109386e-02,
     2.39294057e-02,   2.96610268e-02,   3.52616872e-02,
     3.74964883e-02,   3.94864147e-02,   4.46018863e-02,
     4.14498684e-02,   3.67526868e-02,   3.19768868e-02,
     2.35492900e-02,   1.51583259e-02,   1.10631365e-02,
     6.06049238e-03,   6.49226612e-03,   1.41963927e-03,
     0.00000000e+00,   0.00000000e+00,   0.00000000e+00,
     0.00000000e+00])

因此，我想知道，由于我已经尽了所有可能，因此在tensorflow教程中如何对MNIST数据集进行预处理。

最佳答案

如果您将数据包含在向量中，我们将其称为mnist，则可以检查最大值。

numpy.amax(mnist)

应该产生1，因此意味着向量中的所有值都在0和1之间，因此符合人体工程学标准。