在densenet模型的实现中，如Chexnet Paper所示，在第3.1节中，提到：
在将图像输入网络之前，我们将图像降低到224x224，根据图像的平均值和标准对图像的归一化图像在ImageNet训练集中的平均值和标准式增量。
。- 为什么我们要标准化不同数据集的均值和std的新图像集？
- 我们如何获得Imagenet数据集的平均值和性病？它在某个地方提供吗？
减去均值中心输入为0，而除以标准偏差，使任何标准偏差的缩放值都远离平均值。
考虑神经网络如何学习其权重。c（nn）通过不断添加梯度错误向量（乘以学习率），从培训示例通过。
这里要注意的是"乘以学习率"。
如果我们没有扩展输入培训向量，则每个功能的特征值分布范围可能会有所不同，因此，学习率将在每个维度中导致校正，而在每个维度上会导致（按比例演讲）其他。我们可能会过度补偿一个重量维度的校正，同时在另一个重新负担中进行补偿。
这是非理想的，因为我们可能会发现自己处于振荡状态（无法以更高的成本（重量）空间为中心）状态或缓慢移动（行驶速度太慢而无法达到更好的最大值）状态。
原始帖子：https：//stats.stackexchange.com/questions/185853/why-do-we-need-need-to-normalize-the-images-bebe-be before-we-put-put-them-into-cnn
他们使用了成像网训练集的平均值和std dev，因为它们的模型的权重是在图像网上预测的（请参见本文的模型体系结构和训练部分）。