归一化层

[源代码]

Normalization

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

一个用于归一化连续特征的预处理层。

该层将输入进行平移和缩放,使其分布中心在 0 附近,标准差为 1。它通过预先计算数据的均值和方差来实现这一点,并在运行时调用 (input - mean) / sqrt(var)

该层的均值和方差值必须在构建时提供,或通过 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() 应该在调用 fit()evaluate()predict() 之前调用。

参数

  • axis:整数、整数元组或 None。指定应该为形状中每个索引计算独立均值和方差的轴。例如,如果形状是 (None, 5)axis=1,该层将为最后一个轴跟踪 5 个独立的均值和方差值。如果 axis 设置为 None,该层将使用一个标量均值和方差归一化输入中的所有元素。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。注意,在批量标量输入(其中唯一的轴是批次轴)的特定情况下,默认设置将分别归一化批次中的每个索引。在这种情况下,请考虑传递 axis=None。默认为 -1
  • mean:归一化过程中使用的均值。传递的值将被广播到上面保持的轴的形状;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:归一化过程中使用的方差值。传递的值将被广播到上面保持的轴的形状;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,该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)