【发布时间】：2024-01-24 06:10:02
【问题描述】：
我是深度学习的初学者，我正在研究 keras 中的 mnist 数据集。
我使用归一化作为
tf.keras.utils.normalize(x_train, axis = 1)
我不明白轴参数是什么意思。你能帮我解决这个问题吗？
【问题讨论】：
标签： python tensorflow keras deep-learning mnist
【发布时间】：2024-01-24 06:10:02
【问题描述】：
normalize 函数只是执行常规标准化以提高性能：
归一化是对原始范围内的数据进行重新缩放，因此 所有值都在 0 和 1 的范围内。
在另一篇文章中对轴参数有一个很好的解释：
例如：
您的数据具有某种形状 (19,19,5,80)。这意味着：
- 轴 = 0 - 19 个元素
- 轴 = 1 - 19 个元素
- 轴 = 2 - 5 个元素
- 轴 = 3 - 80 个元素
另外，对于那些想要更深入的人，在 GitHub 上有来自 Keras 的作者 François Chollet 的解释：
- 对于密集层、所有 RNN 层和大多数其他类型的层， 你应该使用默认的axis=-1，
- 对于 Convolution2D 层 使用 dim_ordering=“th”（默认），使用 axis=1，
- 对于 Convolution2D dim_ordering=“tf”的图层，使用axis=-1（即默认值）。
【讨论】：
-
快速跟进，我正在尝试对具有两个通道的频谱图进行深度学习。我有一个形状为 (50, 50, 60, 2) 的张量。我想标准化每个频谱图和每个通道（所以沿着 (:, 50, 60, :) 轴。当我做 normalize(tens[: , :, :, 0], axis=0)[0][0] == normalize(tens[0, :, :, 0])[0] 我得到的都是 False。为什么会这样？它们不应该一样吗？
keras.utils.normalize() 函数 calls 和 numpy.linalg.norm() 计算范数，然后对输入数据进行归一化。给定的axis 参数因此被传递给norm() 函数以计算沿给定轴的范数。
【讨论】：