如何用PyTorch Transform优雅实现一维向量标准化？

问题背景 #

处理基于PyTorch的一维信号数据集时，需要将向量标准化为均值0、标准差1。处理图像数据时可通过torchvision.transforms.Normalize实现，示例代码如下：

import torchvision.transforms as transforms
import torch

data_2d = torch.rand(1, 100, 100)
normalized_data_2d = transforms.Normalize(mean=(data_2d.mean(),), std=(data_2d.std(),))(data_2d)
print(f'mean: {normalized_data_2d.mean()} ~ 0 , std: {normalized_data_2d.std()} ~ 1, ok')

运行结果：

mean: -4.1373571235681084e-08 ~ 0 , std: 0.9999999403953552 ~ 1, ok

但用同样方式处理一维数据时：

data_1d = torch.rand(100)
normalized_data_1d = transforms.Normalize(mean=(data_1d.mean(),), std=(data_1d.std(),))(data_1d)

会抛出错误：TypeError: Tensor is not a torch image。

原因分析 #

torchvision.transforms.Normalize是为图像数据设计的，要求输入张量至少为3维（通道数C、高度H、宽度W），一维张量不满足该维度要求，因此报错。

优雅实现方式 #

方式1：手动实现标准化（最直接） #

transforms.Normalize的本质就是执行(x - mean) / std，手动实现无需依赖torchvision，更适合一维场景：

import torch

data_1d = torch.rand(100)
mean = data_1d.mean()
std = data_1d.std()
normalized_data_1d = (data_1d - mean) / std

# 验证结果
print(f'mean: {normalized_data_1d.mean():.10f} ~ 0, std: {normalized_data_1d.std():.10f} ~ 1')

方式2：调整张量维度适配torchvision #

如果一定要用torchvision.transforms.Normalize，可以先将一维张量调整为符合图像格式的3维张量，处理后再恢复维度：

import torch
import torchvision.transforms as transforms

data_1d = torch.rand(100)
# 重塑为(通道数C, 1, 长度L)的3维格式
data_reshaped = data_1d.reshape(1, 1, -1)
# 执行标准化
normalized_data = transforms.Normalize(mean=(data_reshaped.mean(),), std=(data_reshaped.std(),))(data_reshaped)
# 恢复为一维张量
normalized_data_1d = normalized_data.squeeze()

# 验证结果
print(f'mean: {normalized_data_1d.mean():.10f} ~ 0, std: {normalized_data_1d.std():.10f} ~ 1')

内容的提问来源于stack exchange，提问作者Nir