Indagamos en diferentes espacios y así de esta forma darte la solución a tu duda, en caso de alguna difcultad puedes dejar tu comentario y respondemos con gusto, porque estamos para servirte.
Normalización característica de los datos.
Hereda de: PreprocessingLayer
, Layer
, Module
tf.keras.layers.experimental.preprocessing.Normalization( axis=-1, dtype=None, mean=None, variance=None,**kwargs )
Esta capa forzará sus entradas en una distribución centrada alrededor de 0 con una desviación estándar de 1. Lo logra calculando previamente la media y la varianza de los datos, y llamando a (input-mean)/sqrt(var) en tiempo de ejecución.
que pasa en adapt
: Calcule la media y la varianza de los datos y guárdelos como los pesos de la capa. adapt
se debe llamar antes fit
, evaluate
o predict
.
Ejemplos:
Calcule la media y la varianza analizando el conjunto de datos en 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)>
Pase la media y la varianza directamente.
input_data = np.array([[1.],[2.],[3.]], np.float32) layer = Normalization(mean=3., variance=2.) layer(input_data)<tf.Tensor: shape=(3,1), dtype=float32, numpy= array([[-1.4142135],[-0.70710677],[0.]], dtype=float32)>
Atributos | |
---|---|
axis |
Entero o tupla de enteros, el eje o ejes que se deben “mantener”. Estos ejes no se suman al calcular las estadísticas de normalización. Por defecto el último eje, el features se mantiene el eje y cualquier space o time los ejes se suman. Cada elemento de los ejes que se mantienen se normaliza de forma independiente. Si axis se establece en ‘Ninguno’, la capa realizará la normalización escalar (dividiendo la entrada por un único valor escalar). los batch eje, 0, siempre se suma sobre (axis=0 No se permite). |
mean |
Los valores medios que se utilizarán durante la normalización. Los valores pasados se transmitirán a la forma de los ejes guardados arriba; si los valores no se pueden transmitir, se generará un error cuando se llame al método build() de esta capa. |
variance |
Los valores de varianza que se utilizarán durante la normalización. Los valores pasados se transmitirán a la forma de los ejes guardados arriba; si los valores no se pueden transmitir, se generará un error cuando se llame al método build() de esta capa. |
Métodos
adapt
adapt( data, reset_state=True)
Ajusta el estado de la capa de preprocesamiento a los datos que se pasan.
Argumentos | |
---|---|
data |
Los datos para entrenar. Se puede pasar como un conjunto de datos tf.data o como un numpy array. |
reset_state |
Argumento opcional que especifica si borrar el estado de la capa al comienzo de la llamada a adapt , o si se debe comenzar desde el estado existente. Las subclases pueden optar por lanzar si reset_state se establece en ‘Falso’. |
Eres capaz de añadir valor a nuestro contenido añadiendo tu veteranía en las explicaciones.