► Keras 2 API 文档 / 层 API / 预处理层 / 数值特征预处理层 / 归一化层

Normalization 层

`Normalization` 类

tf_keras.layers.Normalization(
    axis=-1, mean=None, variance=None, invert=False, **kwargs
)

一个对连续特征进行归一化的预处理层。

此层将输入进行移位和缩放，使其分布以 0 为中心，标准差为 1。它通过预计算数据的均值和方差，并在运行时调用 (input - mean) / sqrt(var) 来实现这一目标。

层的均值和方差值必须在构造时提供，或者通过 adapt() 进行学习。adapt() 将计算数据的均值和方差，并将其存储为层的权重。adapt() 应在调用 fit()、evaluate() 或 predict() 之前调用。

有关预处理层的概述和完整列表，请参阅预处理指南。

参数

axis：整数、整数元组或 None。应为每个形状索引拥有独立均值和方差的轴或轴。例如，如果形状为 (None, 5) 且 axis=1，则该层将跟踪最后一个轴的 5 个独立均值和方差值。如果将 axis 设置为 None，该层将使用标量均值和方差对输入中的所有元素进行归一化。当为 -1 时，假定输入的最后一个轴是特征维度，并按索引进行归一化。请注意，在批处理标量输入且唯一轴是批处理轴的特定情况下，默认值将单独对批处理中的每个索引进行归一化。在这种情况下，请考虑传入 axis=None。默认为 -1。
mean：归一化期间使用的均值。传入的值将广播到上方保留轴的形状；如果值无法广播，则在该层的 build() 方法被调用时将引发错误。
variance：归一化期间使用的方差。传入的值将广播到上方保留轴的形状；如果值无法广播，则在该层的 build() 方法被调用时将引发错误。
invert：如果为 True，则此层将对其输入应用逆变换：它会将归一化后的输入恢复到其原始形式。

示例

通过在 adapt() 中分析数据集来计算全局均值和方差。

>>> adapt_data = np.array([1., 2., 3., 4., 5.], dtype='float32')
>>> input_data = np.array([1., 2., 3.], dtype='float32')
>>> layer = tf.keras.layers.Normalization(axis=None)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
<tf.Tensor: shape=(3,), dtype=float32, numpy=
array([-1.4142135, -0.70710677, 0.], dtype=float32)>

为最后一个轴上的每个索引计算均值和方差。

>>> adapt_data = np.array([[0., 7., 4.],
...                        [2., 9., 6.],
...                        [0., 7., 4.],
...                        [2., 9., 6.]], dtype='float32')
>>> input_data = np.array([[0., 7., 4.]], dtype='float32')
>>> layer = tf.keras.layers.Normalization(axis=-1)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
<tf.Tensor: shape=(1, 3), dtype=float32, numpy=
array([-1., -1., -1.], dtype=float32)>

直接传入均值和方差。

>>> input_data = np.array([[1.], [2.], [3.]], dtype='float32')
>>> layer = tf.keras.layers.Normalization(mean=3., variance=2.)
>>> layer(input_data)
<tf.Tensor: shape=(3, 1), dtype=float32, numpy=
array([[-1.4142135 ],
       [-0.70710677],
       [ 0.        ]], dtype=float32)>

使用该层对输入进行反归一化（在适应了该层之后）。

>>> adapt_data = np.array([[0., 7., 4.],
...                        [2., 9., 6.],
...                        [0., 7., 4.],
...                        [2., 9., 6.]], dtype='float32')
>>> input_data = np.array([[1., 2., 3.]], dtype='float32')
>>> layer = tf.keras.layers.Normalization(axis=-1, invert=True)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
<tf.Tensor: shape=(1, 3), dtype=float32, numpy=
array([2., 10., 8.], dtype=float32)>

Normalization 层

Normalization 类

Normalization 层

Normalization 类

`Normalization` 类