如何对特征矩阵进行行归一化？广播错误答案

【问题标题】：How to row-normalize a feature matrix? Broadcasting error如何对特征矩阵进行行归一化？广播错误
【发布时间】：2021-08-12 00:25:04
【问题描述】：

我有一个想要行归一化的特征矩阵。

这是我根据 min-max 缩放所做的，但我遇到了错误。谁能帮我解决这个错误。

a = np.random.randint(10, size=(4,5))
s=a.max(axis=1) - a.min(axis=1)
np.amax(a,axis=1)
print(s)

(a - a.min(axis=1))/(a.max(axis=1) - a.min(axis=1))\

>>[7 6 4 5]
      4 print(s)
      5 
----> 6 (a - a.min(axis=1))/(a.max(axis=1) - a.min(axis=1))

ValueError: operands could not be broadcast together with shapes (4,5) (4,)

【问题讨论】：

标签： python numpy normalization array-broadcasting

【解决方案1】：

尝试使用转置矩阵：

b = a.T
m = (b - b.min(axis=0)) / (b.max(axis=0) - b.min(axis=0))
m = m.T

>>> a
array([[2, 3, 2, 8, 3],   # min=2 -> 0, max=8 -> 1
       [3, 3, 9, 2, 1],   # min=1 -> 0, max=9 -> 1
       [1, 9, 8, 4, 7],   # min=1 -> 0, max=9 -> 1
       [6, 8, 7, 9, 4]])  # min=4 -> 0, max=9 -> 1

>>> m
array([[0.        , 0.16666667, 0.        , 1.        , 0.16666667],
       [0.25      , 0.25      , 1.        , 0.125     , 0.        ],
       [0.        , 1.        , 0.875     , 0.375     , 0.75      ],
       [0.4       , 0.8       , 0.6       , 1.        , 0.        ]])

【讨论】：

如果我使用转置矩阵作为我的输入，我必须对我的前向传播单元（一种常见的架构）进行什么样的改变以适应使用转置输入矩阵。我是否也应该转置权重矩阵？

【解决方案2】：

我有一个替代解决方案，我不确定这个是否正确。如果有人可以评论它会很棒。

def row_normalize(mf):
  row_sums = np.array(mf.sum(1))
  new_matrix = mf / row_sums[:, np.newaxis]
  return new_matrix

【讨论】：