这里看不太出来具体差别，我们看一下矩阵的值吧；
处理前：
处理后：
处理之后均值变为0，方差变为1。
【图像处理】python实现图像标准化图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果, 数据标准化是数据预处理的常见方法之一；计算公式：代码：import numpy as npdef normalize(image): mean = np.mean(image) var ...
1.1.定义：归一化把需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。
1.2.优点：归一化使数据有可比性，同时又保持相比较的两个数据之间的相对关系
转换成标准模式，防止仿射变换的影响。
减小几何变换的影响;加快梯度下降求最优解的速度,收敛加快
1.3.作用：归纳统一样本统计分布;归一化在0-1是统计概率分布;归一化在某区间上是统计的坐标分布
1.4.方法：
1）线性函数转换：y=(x-MinValue)/(MaxValue-MinValue)
2）对数函数转换：y=log10(x)
3）反余切转换： y=atan(x)*2/PI
4）Z-sco
使用opencv-python的resize函数
Linux使用pip3 install opencv-python、Windows使用pip install opencv-python安装opencv-python
用于重设图片大小，主要用来遇到图片大小限制时缩放图片
# encoding:utf-8
# 用于重设图片大小，主要用来遇到图片大小限制时缩放图片
在做实验的情况下，一般使用save函数与restore函数就足够用，该刚发只加载模型的参数而不加载模型，这意味着
当前的程序要能找到模型的结构
saver = tf.train.Saver()#声明saver用来保存模型
with tf.Session() as sess:
for i in range(train_step):
#.....训练操作
if i%10...
import numpy
matrix = numpy.arange(0,27,3).reshape(3,3).astype(numpy.float64)
row_sums = ormed_matrix.sum(axis=1)
#axis=1代表对每一行进行标准化，为0则是对列
1. 数据准备：
首先，需要准备一定数量、种类丰富的水果图片作为训练集。可以从各大数据集或者网站上下载，也可以自己收集拍摄。对于水果图片，应该包括各种角度、光线、背景等环境，以增加模型的鲁棒性。
2. 数据预处理：
对于图片数据，需要将其标准化并转换为数字化的形式，以便计算机可以对其进行处理。可以使用Python的PIL库进行图片处理，将图片转换为numpy数组，并进行缩放和归一化处理。
3. 特征提取：
从图片数据中提取出有用的特征信息，通常采用的是卷积神经网络（CNN）来提取特征。CNN是一种特殊的神经网络，它能够识别出图像的局部模式，并在不同的图像区域进行共享，从而提取出高级的语义信息。
4. 模型训练与优化：
使用Keras或TensorFlow等深度学习框架来搭建CNN模型，进行模型训练与优化。训练过程中要避免过拟合，常用的方法包括权值衰减、dropout等。
5. 模型评估：
使用测试集对模型性能进行评估，比较常用的评价指标包括准确率、召回率、F1得分等。
6. 模型部署：
将模型部署到实际应用中，在应用中可以通过API接口来进行调用，实现水果识别的功能。可以使用Flask等框架来搭建API接口。
