Pytorch的Normalize的計算過程是：TNN MatConvertParam參數設置

使用TNN進行模型推理前，需要進行必要的預處理，如下需要設置TNN_NS::MatConvertParam inputCvtParam的scale和bias兩個參數值

/*** Read image ***/cv::Mat orig_image = cv::imread(IMAGE_NAME);int imageWidth = orig_image.size[1];int imageHeight = orig_image.size[0];printf("image size: width = %d, height = %d\n", imageWidth, imageHeight);/*** Pre process ***//* resize, colorconversion */cv::Mat inputImage;cv::resize(orig_image, inputImage, cv::Size(MODEL_WIDTH, MODEL_HEIGHT));cv::cvtColor(inputImage, inputImage, cv::COLOR_BGR2RGB);/*** normalize ***/auto inputMat = std::make_shared<TNN_NS::Mat>(DEVICE_TYPE, TNN_NS::N8UC3, nchw, (uint8_t*)inputImage.data);CHECK(inputMat != NULL);TNN_NS::MatConvertParam inputCvtParam;inputCvtParam.scale = {1 / 0.5 / 255.f, 1 / 0.5 / 255.f, 1 / 0.5 / 255.f, 1 / 0.5 / 255.;inputCvtParam.bias = {-0.5 / 0.5, -0.5 / 0.5, -0.5 / 0.5, -0.5 / 0.5};status = instance->SetInputMat(inputMat, inputCvtParam);

TNN_NS::MatConvertParam inputCvtParam的scale和bias的計算規則是：

y = scale*x+bias

如果你的模型是Pytorch訓練的模型，一般會使用：

rgb_mean=(0.5, 0.5, 0.5) rgb_std=(0.5, 0.5, 0.5) transforms.Normalize(rgb_mean, rgb_std)

?Pytorch的Normalize的計算過程是減均值除方差，即：

input[channel] = (input[channel] - mean[channel]) / std[channel] 即：y = (x-m)/std （其中輸入x是將0~255歸一化到0~1的圖像數據）

將Pytorch的Normalize和TNN的MatConvertParam進行變換，即可對齊了：

y = (x-m)/std? --->? y = scale*x+bias

?

恒等變換如下：

y = (x-m)/std

# 由于Pytorch的Normalize對輸入x是將0~255歸一化到0~1的圖像數據，因此需要逆歸一化為0~255

y = (x-m*255)/(std*255)

#? 拆分每項

y=x/(std*255)-m/std

# 比較y = scale*x+bias得：

scale=1/(std*255)=1/std/255

bias=-m/std

因此Pytorch的

transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) 對應TNN_NS::MatConvertParam的參數為： TNN_NS::MatConvertParam inputCvtParam;inputCvtParam.scale = {1 / 0.5 / 255.f, 1 / 0.5 / 255.f, 1 / 0.5 / 255.f, 1 / 0.5 / 255.;inputCvtParam.bias = {-0.5 / 0.5, -0.5 / 0.5, -0.5 / 0.5, -0.5 / 0.5};

?

超強干貨來襲 云風專訪：近40年碼齡，通宵達旦的技術人生

總結

以上是生活随笔為你收集整理的TNN MatConvertParam参数scale和bias设置的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。