归一化层
Normalization 类
keras.layers.Normalization(axis=-1, mean=None, variance=None, invert=False, **kwargs)
一个预处理层，用于归一化连续特征。
该层会将输入平移和缩放到一个以 0 为中心、标准差为 1 的分布中。它通过预先计算数据的均值和方差，并在运行时调用 (input - mean) / sqrt(var) 来实现这一点。
层的均值和方差值必须在构建时提供，或者通过 adapt() 学习。adapt() 将计算数据的均值和方差，并将它们存储为层的权重。adapt() 应该在 fit()、evaluate() 或 predict() 之前调用。
参数
- axis: 整数、整数元组或 None。应该为形状中每个索引分别计算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 个单独的均值和方差值。如果axis设置为None，则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，输入的最后一个轴被假定为特征维度，并按索引进行归一化。请注意，在批处理标量输入的特定情况下，其中唯一的轴是批处理轴，默认设置将分别归一化批处理中的每个索引。在这种情况下，请考虑传递axis=None。默认为 `-1`。 - mean: 在归一化期间使用的均值。传递的值将广播到上面保留的轴的形状；如果值无法广播，则当调用此层的
build()方法时会引发错误。 - variance: 在归一化期间使用的方差。传递的值将广播到上面保留的轴的形状；如果值无法广播，则当调用此层的
build()方法时会引发错误。 - invert: 如果为
True，则此层将对其输入应用逆变换：它会将归一化的输入转换回其原始形式。
示例
通过分析 adapt() 中的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 = keras.layers.Normalization(axis=None)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
array([-1.4142135, -0.70710677, 0.], dtype=float32)
计算最后一个轴上每个索引的均值和方差。
>>> 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 = keras.layers.Normalization(axis=-1)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
array([-1., -1., -1.], dtype=float32)
直接传递均值和方差。
>>> input_data = np.array([[1.], [2.], [3.]], dtype='float32')
>>> layer = keras.layers.Normalization(mean=3., variance=2.)
>>> layer(input_data)
array([[-1.4142135 ],
[-0.70710677],
[ 0. ]], dtype=float32)
使用该层对输入进行反归一化（在适应层之后）。
>>> 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 = keras.layers.Normalization(axis=-1, invert=True)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
array([2., 10., 8.], dtype=float32)