对于昼夜图像分类，归一化还是标准化图像更好？一般来说，我应该什么时候使用每种方法？我对示例感兴趣，为什么一种方法优于另一种方法？
这里，归一化是指将像素值除以 255。标准化是指减去像素的平均值，然后除以标准差。请参阅下面的代码示例
# normalization
datagen = ImageDataGenerator(rescale=1.0/255.0)
或者
# stardartization
datagen = ImageDataGenerator(samplewise_center=True, samplewise_std_normalization=True)
为了能够回答您的问题，首先我们应该考虑标准化和标准化之间的差异。
归一化：normalized_value=(raw_value-min)/(max-min)
标准化：standardized_value=(raw_value-μ)/σ
此外，还有一种著名的方法是居中。从像素中减去平均值。
一般来说，所有这些都服务于一个共同且至关重要的目的：为所有功能提供“公平条件”。因为，对于每个特征，我们有许多共享参数（例如学习率）而不是自定义参数，所以我们需要有相似的范围。因此，参数共享将不是最优的，因为参数（例如学习率）不会对具有不同范围的特征具有相同的功率。例如，收敛到全局最优值可能对其中一个特征有效，但是，另一个特征可能需要较小的学习率值，因为它的范围很广。
此外，较小的值会增加计算过程，加快收敛速度。此外，如果特征是标准的，则权重的解释和比较会更容易。如果范围不同，则其中一个系数可能非常大，而另一个系数可能相当小。
但是，我想提请注意您将像素值除以 255 的标准化技术，这只是将范围从 0-255 降低到 0-1，但像素值在该范围内的分布保持不变。当我们想要有一个丰富的特征范围时，主要使用归一化，但是，RGB 已经有一个 0-255 的丰富系统。但是，从理论上讲，这仍然有助于加快训练过程。
很难说其中一个（标准化或标准化）比另一个更好，因为根据场景的不同，一个可能会击败另一个。通常，这两种技术都会被尝试和比较，看看哪一种表现更好。
在许多情况下，要获得更准确的模型，必须使用这些技术。假设您有两张图像，其中一张图像很暗，其中所有像素的值彼此接近（范围窄、偏差小、峰度高），但另一张图像是复杂图像，其中图像的某些部分彼此不同像素值方面（范围广、偏差大、峰度低）。在这种情况下，使用归一化有助于模型更好地理解和捕捉图像内部的关系。