tf.keras.layers.experimental.preprocessing.Normalization
Нормализация данных по признакам.
tf.keras.layers.experimental.preprocessing.Normalization(
axis=-1, dtype=None, **kwargs
)
Этот слой принудительно приведёт свои входные данные к распределению, центрированному около 0 с стандартным отклонением 1. Он достигает этого, предварительно вычислив среднее и дисперсию данных и вызвав (вход-среднее)/sqrt(дисперсия) во время выполнения.
Что происходит в adapt: Вычислить среднее и дисперсию данных и сохранить их как веса слоя. adapt должен быть вызван до fit, evaluate, или predict.
Примеры:
Вычислите среднее и дисперсию, проанализировав набор данных в adapt.
adapt_data = np.array([[1.], [2.], [3.], [4.], [5.]], dtype=np.float32)
input_data = np.array([[1.], [2.], [3.]], np.float32)
layer = Normalization()
layer.adapt(adapt_data)
layer(input_data)
<tf.Tensor: shape=(3, 1), dtype=float32, numpy=
array([[-1.4142135 ],
[-0.70710677],
[ 0. ]], dtype=float32)>
| Атрибуты | |
|---|---|
axis | Целое число или кортеж целых чисел, ось или оси, которые должны быть "сохранены". Эти оси не суммируются при вычислении статистик нормализации. По умолчанию сохраняется последняя ось, ось features, и любые space или time оси суммируются. Каждый элемент в сохранённых осях нормализуется независимо. Если axis установлено в 'None', слой выполнит скалярную нормализацию (разделив вход на одно скалярное значение). Ось batch, 0, всегда суммируется (axis=0 не разрешено). |
Методы
adapt
adapt(
data, reset_state=True
)
Подгоняет состояние слоя предобработки к передаваемым данным.
| Аргументы | |
|---|---|
data | Данные для обучения. Можно передать как tf.data Dataset, так и как массив NumPy. |
reset_state | Необязательный аргумент, определяющий, следует ли очищать состояние слоя в начале вызова adapt, или следует ли начинать с существующего состояния. Подклассы могут выбрать выбрасывание, если reset_state установлено в 'False'. |
© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.3/api_docs/python/tf/keras/layers/experimental/preprocessing/Normalization
