keras 自带数据的标准化方法

1. featurewise_center：布尔值，使输入数据集去中心化（均值为0）, 按feature执行。

2. samplewise_center：布尔值，使输入数据的每个样本均值为0。

3. featurewise_std_normalization：布尔值，将输入除以数据集的标准差以完成标准化, 按feature执行。

4. samplewise_std_normalization：布尔值，将输入的每个样本除以其自身的标准差。

从源码来解读：

        if self.samplewise_center:
            x -= np.mean(x, keepdims=True)  #减去每个批次feature的平均值实现0中心化
        if self.samplewise_std_normalization:
            x /= (np.std(x, keepdims=True) + K.epsilon())  #除以每个批次feature的标准差
        if self.featurewise_center:
            self.mean = np.mean(x, axis=(0, self.row_axis, self.col_axis))  #在底层为tendorflow时这里#self.row_axis=1，self.col_axis=2,即axis(0,1,2)。因为x是一个4维np,最后一维即图像的通道数，所
#以这里计算机的每一通道的像素平均值。
            broadcast_shape = [1, 1, 1]
            broadcast_shape[self.channel_axis - 1] = x.shape[self.channel_axis]
            self.mean = np.reshape(self.mean, broadcast_shape)  #对应mean的shape
            x -= self.mean    #对每批次的数据减对应通道像素的均值

        if self.featurewise_std_normalization:
            self.std = np.std(x, axis=(0, self.row_axis, self.col_axis))
            broadcast_shape = [1, 1, 1]
            broadcast_shape[self.channel_axis - 1] = x.shape[self.channel_axis]
            self.std = np.reshape(self.std, broadcast_shape)
            x /= (self.std + K.epsilon())  #对每批次的数据除以对应通道像素的标准差

使用说明：

ImageDataGenerator(
        featurewise_center=True,  #均值为0
        featurewise_std_normalization=True,#标准化处理
        samplewise_center=False,
        samplewise_std_normalization=False,
        )