標準化層
Normalization 類別
keras.layers.Normalization(axis=-1, mean=None, variance=None, invert=False, **kwargs)
一個用於標準化連續特徵的預處理層。
此層會將輸入平移和縮放到一個以 0 為中心、標準差為 1 的分佈中。它通過預先計算數據的平均值和變異數，並在運行時調用 (input - mean) / sqrt(var) 來實現。
此層的平均值和變異數值必須在建構時提供，或通過 adapt() 學習。adapt() 將計算數據的平均值和變異數，並將它們存儲為層的權重。adapt() 應在 fit()、evaluate() 或 predict() 之前調用。
參數
- axis：整數、整數元組或 None。應為形狀中每個索引具有單獨平均值和變異數的軸或軸。例如，如果形狀為
(None, 5)且axis=1，則此層將追蹤最後一個軸的 5 個單獨的平均值和變異數值。如果axis設定為None，則此層將通過純量平均值和變異數來標準化輸入中的所有元素。當為 `-1` 時，輸入的最後一個軸會被假定為特徵維度，並針對每個索引進行標準化。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，預設會單獨標準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：在標準化期間使用的平均值。傳遞的值將廣播到上面保留軸的形狀；如果值無法廣播，則當調用此層的
build()方法時，將引發錯誤。 - variance：在標準化期間使用的變異數值。傳遞的值將廣播到上面保留軸的形狀；如果值無法廣播，則當調用此層的
build()方法時，將引發錯誤。 - invert：如果為
True，則此層會將反向轉換應用於其輸入：它會將標準化輸入轉回其原始形式。
範例
通過分析 adapt() 中的資料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 = keras.layers.Normalization(axis=None)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
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 = keras.layers.Normalization(axis=-1)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
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 = keras.layers.Normalization(mean=3., variance=2.)
>>> layer(input_data)
array([[-1.4142135 ],
[-0.70710677],
[ 0. ]], dtype=float32)
使用此層來反標準化輸入（在調整層之後）。
>>> 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 = keras.layers.Normalization(axis=-1, invert=True)
>>> layer.adapt(adapt_data)
>>> layer(input_data)
array([2., 10., 8.], dtype=float32)