学习 pytorch 的 transforms 一节中产生疑问：ToTensor 操作中图像数据满足 [0,255] 条件会进行线性归一化，映射到 [0,1]。在 ToTensor 操作后一般紧接着 Nomalize 操作，又进行了一次标准差归一化。既然已经归一化了一次，为什么还要再来一次？
以下是我在网络上找到的一些答案：
- 数据如果分布在 (0,1) 之间，可能实际的 bias，就是神经网络的输入b会比较大，而模型初始化时b=0的，这样会导致神经网络收敛比较慢，经过
Normalize后，可以加快模型的收敛速度。
注：该回答是网络上一搜几乎就有的回答。
- 如果输入层 x 很大，在反向传播时候传递到输入层的梯度就会变得很大。梯度大，学习率就得非常小，否则会越过最优。在这种情况下，学习率的选择需要参考输入层数值大小，而直接将数据归一化操作，能很方便的选择学习率。一般归一化还会做减去均值除以方差的操作, 这种方式可以移除图像的平均亮度值 (intensity)。很多情况下我们对图像的亮度并不感兴趣，而更多地关注其内容，比如在目标识别任务中，图像的整体明亮程度并不会影响图像中存在的是什么物体。此时，在每个样本上减去数据的统计平均值可以移除共同的部分，凸显个体差异。
注：此为知乎作者【卓不凡】回答，链接：https://www.zhihu.com/question/293640354/answer/2078956333。
我自己尝试了下，确实图像亮度下降，移除了无关紧要的纹理，凸显了蚂蚁的主要特征。
