我正在尝试计算 torch 张量数组的平均值和标准差。我的数据集有 720 张训练图像,每张图像都有 4 个地标,其中 X 和 Y 代表图像上的 2D 点。
to_tensor = transforms.ToTensor()
landmarks_arr = []
for i in range(len(train_dataset)):
landmarks_arr.append(to_tensor(train_dataset[i]['landmarks']))
mean = torch.mean(torch.stack(landmarks_arr, dim=0))#, dim=(0, 2, 3))
std = torch.std(torch.stack(landmarks_arr, dim=0)) #, dim=(0, 2, 3))
print(mean.shape)
print("mean is {} and std is {}".format(mean, std))
结果:
torch.Size([])
mean is nan and std is nan
上面有几个问题:
- 为什么 to_tensor 没有转换 0 到 1 之间的值?
- 如何正确计算平均值?
- 我应该除以 255 吗?
我有:
len(landmarks_arr)
720
和
landmarks_arr[0].shape
torch.Size([1, 4, 2])
和
landmarks_arr[0]
tensor([[[502.2869, 240.4949],
[688.0000, 293.0000],
[346.0000, 317.0000],
[560.8283, 322.6830]]], dtype=torch.float64)
最佳答案
- 来自 ToTensor() 的 pytorch 文档:
Converts a PIL Image or numpy.ndarray (H x W x C) in the range [0, 255] to a torch.FloatTensor of shape (C x H x W) in the range [0.0, 1.0] if the PIL Image belongs to one of the modes (L, LA, P, I, F, RGB, YCbCr, RGBA, CMYK, 1) or if the numpy.ndarray has dtype = np.uint8
In the other cases, tensors are returned without scaling.
由于您的 Landmark 值不是 PIL 图像,且不在 [0, 255] 范围内,因此不会应用缩放。
- 您的计算看来是正确的。看来您的数据中可能有一些 NaN 值。
你可以尝试类似的事情
for i in range(len(train_dataset)):
landmarks = to_tensor(train_dataset[i]['landmarks'])
landmarks[landmarks != landmarks] = 0 # this will set all nan to zero
landmarks_arr.append(landmarks)
在你的循环中。或者在循环中断言 for nan 以找到罪魁祸首:
for i in range(len(train_dataset)):
landmarks = to_tensor(train_dataset[i]['landmarks'])
assert(not torch.isnan(landmarks).any()), f'nan encountered in sample {i}' # will trigger if a landmark contains nan
landmarks_arr.append(landmarks)
- 不,请参阅 1)。如果您愿意,您可以除以地标的最大坐标,将它们限制为 [0, 1]。
关于python - 计算 torch 张量数组的平均值和标准差,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/64366121/