python - 在 Keras 中规范化神经网络的验证集

Question

所以，我明白归一化对于训练神经网络很重要。

我也明白我必须使用训练集中的参数对验证集和测试集进行标准化(例如，请参阅此讨论:https://stats.stackexchange.com/questions/77350/perform-feature-normalization-before-or-within-model-validation)

我的问题是:如何在 Keras 中执行此操作？

我目前正在做的是:

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import EarlyStopping

def Normalize(data):
    mean_data = np.mean(data)
    std_data = np.std(data)
    norm_data = (data-mean_data)/std_data
    return norm_data

input_data, targets = np.loadtxt(fname='data', delimiter=';')
norm_input = Normalize(input_data)

model = Sequential()
model.add(Dense(25, input_dim=20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

early_stopping = EarlyStopping(monitor='val_acc', patience=50) 
model.fit(norm_input, targets, validation_split=0.2, batch_size=15, callbacks=[early_stopping], verbose=1)

但是在这里，我首先将数据 w.r.t. 归一化。整个数据集和then 拆分验证集，根据上述讨论，这是错误的。

保存训练集(training_mean 和 training_std)的均值和标准差没什么大不了的，但是如何分别对验证集应用 training_mean 和 training_std 的归一化？

Answer 1

下面的代码正是你想要的:

import numpy as np
def normalize(x_train, x_test):
    mu = np.mean(x_train, axis=0)
    std = np.std(x_train, axis=0)
    x_train_normalized = (x_train - mu) / std
    x_test_normalized = (x_test - mu) / std
    return x_train_normalized, x_test_normalized

然后你可以像这样将它与keras一起使用:

from keras.datasets import boston_housing
(x_train, y_train), (x_test, y_test) = boston_housing.load_data()
x_train, x_test = normalize(x_train, x_test)

丰益国际的回答是不正确的。