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)