我在MATLAB中检查AlexNet的设计，总结如下：
输入层使用zerocenter 归一化表示227x227x3。 zerocenter 标准化是什么意思？我怎么能做这个 keras？
我正在检查preprocessing documentation at keras，但不确定以下属性是否满足zerocenter 规范化？文档中还给出的属性是：
- featurewise_center
- samplewise_center
- featurewise_std_normalization
- samplewise_std_normalization
【问题讨论】：
标签： python image-processing keras computer-vision conv-neural-network
零中心标准化通常意味着图像被标准化为平均值为 0，标准差为 1。如果您的图像是 NumPy 数组，您可以轻松实现：
img = (img - img.mean()) / img.std()
samplewise_center 和 samplewise_std_normalization 做同样的事情，确保每张图像的均值为 0，标准差为 1。如果要使用数据集的均值/标准，而不是采样均值/标准，我想你应该手动完成。
【讨论】：
imageInputLayerdocumentation中已指定MATLAB中zerocenter归一化的定义：
'zerocenter'— 减去由AverageImage属性指定的平均图像。trainNetwork函数在训练时自动计算平均图像。
因此，从输入图像中减去均值图像以使它们的均值为零（这有助于在模型训练期间实现平稳和更快的优化过程）。因此，Keras 中的等效选项是 featurewise_center:
featurewise_center：布尔值。将数据集的输入均值设置为 0，按特征设置。
请注意，您需要调用ImageDataGenerator 的fit() 方法来计算平均图像：
datagen = ImageDataGenerator(featurewise_center=True, ...)
datagen.fit(train_data)
# now you can call `flow`
【讨论】：
model上使用fit_generator函数吗？
fit_generator 时从输入图像中减去它。因此，您首先需要调用 generator 的 fit 方法，然后您可以通过调用 model 的 fit_generator 方法开始训练，该方法将生成器作为输入。
featurewise_center 和featurewise_std_normalization 之间的区别吗？还有，和samplewise_center有什么区别？
featurewise_std_normalization：这会将输入图像除以数据集中所有图像的标准差（即标准差）；因此它们的标准值都为 1（按特征）。 samplewise_center：这将 从其自身中减去每个输入图像的平均值；因此，每个个体图像中像素值的平均值为零。所有这些都是各种归一化方式，它们有时会相互结合（例如，特征中心 + 标准）。