Normalization
类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()
或 predict()
之前调用。
参数
(None, 5)
且 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
。build()
方法被调用时将引发错误。build()
方法被调用时将引发错误。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)