标准化层
Normalization 类
keras.layers.Normalization(axis=-1, mean=None, variance=None, invert=False, **kwargs)
一个用于标准化连续特征的预处理层。
此层将输入数据偏移并缩放，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，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造时提供，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。在调用 fit()、evaluate() 或 predict() 之前，应该先调用 adapt()。
参数
- axis: 整数、整数元组或 None。应为每个形状索引单独拥有均值和方差的轴或轴集。例如，如果形状为
(None, 5)且axis=1，则该层将为最后一个轴跟踪 5 个单独的均值和方差值。如果axis设置为None，则该层将通过标量均值和方差来标准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，并按索引标准化。请注意，在仅有一个轴（批次轴）的批处理标量输入的特定情况下，默认情况下将分别标准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: 标准化过程中使用的均值。传递的值将广播到上面保留轴的形状；如果值无法广播，则在调用此层的
build()方法时会引发错误。 - variance: 标准化过程中使用的方差值。传递的值将广播到上面保留轴的形状；如果值无法广播，则在调用此层的
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：它会将标准化后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标准化（在调整该层之后）。
>>> 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 = keras.layers.Normalization(axis=-1, invert=True)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
array([2., 10., 8.], dtype=float32)