CNN图像分类中图像归一化疑问：为何采用除以127.5再减1？

这个操作是把图像像素值从原始的0-255区间，归一化到**[-1, 1]**区间，和你熟悉的除以255得到[0,1]区间是两种不同的归一化策略，具体细节如下：

• 计算逻辑：原始像素值是0到255的整数，除以127.5后会得到0到2的浮点数，再减去1就把范围平移到-1到1。比如：

  • 黑色像素（0）→ (0/127.5)-1 = -1
  • 白色像素（255）→ (255/127.5)-1 = 1
  • 中间灰度（127）→ (127/127.5)-1 ≈ 0

• 适用场景：很多主流预训练CNN模型（比如MobileNetV2、Inception系列）的官方实现都会用这种归一化方式，因为它们的预训练权重就是基于[-1,1]区间的图像训练出来的，直接用这个预处理能让模型更好地复用预训练参数。

• 为什么不用[0,1]：[-1,1]的中心是0，更贴合很多激活函数（比如tanh）或批量归一化层的输入特性，能让训练时的梯度更新更稳定，加快模型收敛速度。而[0,1]的归一化更直观，适合自定义的小型CNN模型训练，两种方式没有绝对优劣，主要看模型的适配要求。

另外代码里先把图像转成float32是为了保证除法运算的精度，避免整数除法导致的数值丢失。

内容的提问来源于stack exchange，提问作者wcksn