在下面的链接中找到的preprocess_input()函数中，像素在-1和1之间缩放。我也在其他地方看到过这个。在 -1 和 1 而不是 0 和 1 之间缩放的原因是什么。我的印象是像素的常见范围在 0-255 之间，或者如果归一化为 0-1。
https://github.com/keras-team/keras/blob/master/keras/applications/imagenet_utils.py
-1 和 1 之间的规范化旨在使数据的平均值为 0，std_dev为 1。(即正态分布)。此外，网络中使用的激活函数的选择决定了规范化的类型，尤其是在使用批量规范化时。
例如，如果使用sigmoid并且在 0 和 1 之间完成归一化，那么从网络获得的所有负值(将权重与输入相乘，然后添加偏差)将映射到零。(这会导致反向传播过程中更多的梯度消失)
而对于tanh和 -1 之间的归一化，这些负值将映射到 0 到 -1 之间的相应负值。
tanh通常是卷积网络和GAN中使用的激活函数，优于Sigmoid。
"啧啧。tanh 非线性显示在上图右侧。它将实值数字压缩到范围 [-1， 1]。像S形神经元一样，它的激活饱和，但与S形神经元不同，它的输出是零中心的。因此，在实践中，tanh非线性总是优于sigmoid非线性。 来自臭名昭著的Andrej Karpathy Course cs231n.github.io/neural-networks-1