正規化層
Normalization 類別
tf_keras.layers.Normalization(
axis=-1, mean=None, variance=None, invert=False, **kwargs
)
一個正規化連續特徵的預處理層。
此層會將輸入平移和縮放成一個以 0 為中心、標準差為 1 的分佈。它通過預先計算數據的平均值和變異數，並在執行時呼叫 (輸入 - 平均值) / sqrt(變異數) 來實現此目的。
此層的平均值和變異數必須在建構時提供，或透過 adapt() 學習。 adapt() 將計算數據的平均值和變異數，並將其儲存為該層的權重。 adapt() 應在 fit()、evaluate() 或 predict() 之前呼叫。
有關預處理層的概述和完整列表，請參閱預處理指南。
引數
- axis：整數、整數元組或 None。應該為形狀中的每個索引使用單獨平均值和變異數的軸或軸。例如，如果形狀是
(None, 5)且axis=1，則該層將追蹤最後一個軸的 5 個單獨的平均值和變異數。如果axis設定為None，則該層將通過純量平均值和變異數來正規化輸入中的所有元素。當為-1時，假設輸入的最後一個軸是特徵維度，並針對每個索引進行正規化。請注意，在批次純量輸入的特定情況下，其中唯一的軸是批次軸，預設值會分別正規化批次中的每個索引。在這種情況下，請考慮傳遞axis=None。預設值為-1。 - mean：在正規化期間使用的平均值。傳遞的值將廣播到上述保留軸的形狀；如果值無法廣播，則在呼叫此層的
build()方法時會引發錯誤。 - variance：在正規化期間使用的變異數值。傳遞的值將廣播到上述保留軸的形狀；如果值無法廣播，則在呼叫此層的
build()方法時會引發錯誤。 - invert：如果為 True，則此層會將逆變換應用於其輸入：它會將正規化的輸入轉回其原始形式。
範例
通過分析 adapt() 中的數據集來計算全域平均值和變異數。
>>> 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)>
計算最後一個軸上每個索引的平均值和變異數。
>>> 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([-1., -1., -1.], dtype=float32)>
直接傳遞平均值和變異數。
>>> 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)>
使用該層來取消正規化輸入（在調整該層之後）。
>>> 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 = tf.keras.layers.Normalization(axis=-1, invert=True)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
<tf.Tensor: shape=(1, 3), dtype=float32, numpy=
array([2., 10., 8.], dtype=float32)>