torchvision.transforms.Normalize возвращая нормализованное изображение только с -1, 0 и 1 с

Question

Функция нормализации зрения факела не работает должным образом. Нормализованное изображение имеет только 0, 1 и -1. Вот код:

class Cifar10(Dataset):

    def __init__(self, cropped, ground_truth, transform=None):
        """
        Args:
            cropped (string): File location of cropped numpy
            ground_truth (string): File location of ground_truth numpy
            transform (callable, optional): Optional transform to be applied
                on a sample.
        """
        self.transform = transform
        self.noisy = np.load(cropped)[0:8]
        self.ground_truth = np.load(ground_truth)[0:8]
        self.data = np.array([self.noisy, self.ground_truth])

    def __len__(self):
        return len(self.ground_truth)

    def __getitem__(self, idx):
        if torch.is_tensor(idx):
            idx = idx.tolist()
        noisy = self.noisy[idx].transpose(2, 0, 1)
        ground_truth = self.ground_truth[idx].transpose(2, 0, 1)
        sample = {'noisy': noisy, 'ground_truth': ground_truth}

        if self.transform:
            sample = self.transform(sample)
        return sample



class ToTensor(object):
    """Convert ndarrays in sample to Tensors."""

    def __call__(self, sample):
        noisy, ground_truth = sample['noisy'], sample['ground_truth']
        return {'noisy': torch.from_numpy(noisy),
                'ground_truth': torch.from_numpy(ground_truth)}


class Normalize(object):
    """Convert ndarrays in sample to Tensors."""

    def __call__(self, sample, transform_=transforms.Normalize((127.5, 127.5, 127.5), (127.5, 127.5, 127.5))):
        noisy, ground_truth = transform_(sample['noisy']), transform_(sample['ground_truth'])

        return {'noisy': noisy,
                'ground_truth': ground_truth}


if __name__ == '__main__':
    compose = transforms.Compose(
        [ToTensor(),
         Normalize()
         ])
    transformed_dataset = Cifar10(cropped=root + 'cropped.npy',
                                  ground_truth=root + 'original.npy',
                                  transform=compose)

    dataloader = DataLoader(transformed_dataset, batch_size=1,
                            shuffle=True)
    for x in dataloader:
        pass
        print(x['noisy'])
        print(x['ground_truth'])
        print(torch.unique(x['noisy']))

Вот часть вывода:

tensor([[[[-1, -1,  0,  ...,  0, -1,  0],
          [-1, -1,  0,  ..., -1, -1, -1],
          [-1, -1, -1,  ..., -1,  0, -1],
          ...,
          [-1,  0,  0,  ..., -1, -1,  0],
          [-1,  0, -1,  ..., -1, -1,  0],
          [ 0, -1, -1,  ...,  0, -1, -1]],

         [[-1, -1,  0,  ...,  0, -1,  0],
          [-1, -1,  0,  ..., -1, -1, -1],
          [-1, -1, -1,  ..., -1,  0, -1],
          ...,
          [-1,  0,  0,  ..., -1, -1,  0],
          [-1,  0, -1,  ..., -1, -1,  0],
          [ 0, -1, -1,  ...,  0, -1, -1]],

         [[-1, -1,  0,  ...,  0, -1,  0],
          [-1, -1,  0,  ..., -1, -1, -1],
          [-1, -1, -1,  ..., -1,  0, -1],
          ...,
          [-1,  0,  0,  ..., -1, -1,  0],
          [-1,  0, -1,  ..., -1, -1,  0],
          [ 0, -1, -1,  ...,  0, -1, -1]]]])
tensor([[[[0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          ...,
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0]],

         [[0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          ...,
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0]],

         [[0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          ...,
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0],
          [0, 0, 0,  ..., 0, 0, 0]]]])
tensor([-1,  0,  1])

Я попытался распечатать данные, не применяя преобразование Normalize, и пиксели присутствуют в диапазоне ( 0, 255), тогда как нормализованное изображение имеет только 3 уникальных значения - 0, 1 и -1