Python tf.keras.layers.Normalization用法及代码示例

标准化连续特征的预处理层。

继承自：PreprocessingLayer、Layer、Module

用法

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

参数

axis 整数、整数元组或无。对于形状中的每个索引，一个或多个轴应该具有单独的均值和方差。例如，如果形状是 (None, 5) 和 axis=1 ，则图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 ，该层将通过标量均值和方差对输入中的所有元素进行归一化。默认为 -1，其中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，在唯一轴是批处理轴的批处理标量输入的特定情况下，默认情况下将分别对批处理中的每个索引进行规范化。在这种情况下，请考虑传递 axis=None 。
mean 标准化期间使用的平均值。传递的值将被广播到上面保留轴的形状；如果无法广播该值，则调用该层的build() 方法时将引发错误。
variance 标准化期间要使用的方差值。传递的值将被广播到上面保留轴的形状；如果无法广播该值，则调用该层的build() 方法时将引发错误。

属性

is_adapted 图层是否已经适合数据。

该层会将输入转换并缩放到以 0 为中心且标准差为 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。

该层的均值和方差值必须在构造时提供或通过 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 fit() , evaluate() 或 predict() 之前调用。

有关预处理层的概述和完整列表，请参阅预处理指南。

例子：

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 = tf.keras.layers.Normalization(axis=None)
layer.adapt(adapt_data)
layer(input_data)
<tf.Tensor:shape=(3,), dtype=float32, numpy=
array([-1.4142135, -0.70710677, 0.], dtype=float32)>

计算最后一个轴上每个指标的均值和方差。

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 = tf.keras.layers.Normalization(axis=-1)
layer.adapt(adapt_data)
layer(input_data)
<tf.Tensor:shape=(1, 3), dtype=float32, numpy=
array([0., 0., 0.], dtype=float32)>

直接传递均值和方差。

input_data = np.array([[1.], [2.], [3.]], dtype='float32')
layer = tf.keras.layers.Normalization(mean=3., variance=2.)
layer(input_data)
<tf.Tensor:shape=(3, 1), dtype=float32, numpy=
array([[-1.4142135 ],
       [-0.70710677],
       [ 0.        ]], dtype=float32)>

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.layers.Normalization。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。