我有一个三维numpy图像阵列（CIFAR-10数据集）。图像阵列形状如下所示：
a = np.random.rand(32, 32, 3)
在我深入学习之前，我想对数据进行规范化以获得更好的结果。使用一维数组，我知道我们可以像这样做最小最大规范化：
v = np.random.rand(6)
(v - v.min())/(v.max() - v.min())
Out[68]:
array([ 0.89502294, 0. , 1. , 0.65069468, 0.63657915,
0.08932196])
然而，当谈到3D阵列时，我完全迷失了。具体来说，我有以下问题：
- 沿着哪个轴我们采取最小值和最大值？
- 我们如何用3D阵列实现这一点？
我感谢您的帮助！
编辑：
事实证明我需要使用具有形状的4D Numpy阵列 (202, 32, 32, 3)，因此第一个维度将是图像的索引，最后3个维度是实际图像。如果有人可以为我提供规范化这样一个4D阵列的代码，那就太棒了。谢谢！
编辑2：
感谢@ Eric的代码，我已经弄明白了：
x_min = x.min(axis=(1, 2), keepdims=True)
x_max = x.max(axis=(1, 2), keepdims=True)
x = (x - x_min)/(x_max-x_min)
假设您正在使用形状的图像数据 (W, H, 3)，你应该对每个频道进行标准化（axis=2）另外，如另一个答案所述。
你可以这样做：
# keepdims makes the result shape (1, 1, 3) instead of (3,). This doesn't matter here, but
# would matter if you wanted to normalize over a different axis.
v_min = v.min(axis=(0, 1), keepdims=True)
v_max = v.max(axis=(0, 1), keepdims=True)
(v - v_min)/(v_max - v_min)
- 沿着哪个轴我们采取最小值和最大值？
要回答这个问题，我们可能需要有关您的数据的更多信息，但一般来说，在讨论3个通道图像时，我们会使用每个通道的最小值和最大值进行标准化。这意味着我们将执行3次标准化 - 每个通道一次。
这是一个例子：
img = numpy.random.randint(0, 100, size=(10, 10, 3)) # Generating some random numbers
img = img.astype(numpy.float32) # converting array of ints to floats
img_a = img[:, :, 0]
img_b = img[:, :, 1]
img_c = img[:, :, 2] # Extracting single channels from 3 channel image
# The above code could also be replaced with cv2.split(img) << which will return 3 numpy arrays (using opencv)
# normalizing per channel data:
img_a = (img_a - numpy.min(img_a)) / (numpy.max(img_a) - numpy.min(img_a))
img_b = (img_b - numpy.min(img_b)) / (numpy.max(img_b) - numpy.min(img_b))
img_c = (img_c - numpy.min(img_c)) / (numpy.max(img_c) - numpy.min(img_c))
# putting the 3 channels back together:
img_norm = numpy.empty((10, 10, 3), dtype=numpy.float32)
img_norm[:, :, 0] = img_a
img_norm[:, :, 1] = img_b
img_norm[:, :, 2] = img_c
编辑：我刚刚想到，一旦你拥有一个通道数据（例如32x32图像），你可以简单地使用：
from sklearn.preprocessing import normalize
img_a_norm = normalize(img_a)
- 我们如何使用3D阵列？
嗯，这是一个很大的问题。如果你需要像array-wise min和max这样的函数，我会使用Numpy版本。例如，索引是通过轴宽分离器实现的 - 正如您从上面的示例中可以看到的那样。
另外，请参阅Numpy的ndarray文档@ https://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.html
了解更多。他们真的有一套惊人的n维数组工具。