keras归一化函数中的轴参数-keras.utils.normalization()

Question

我花了很多时间试图了解轴参数在 keras.utils.normalization() function 中的工作原理。 有人可以通过创建一个随机 (2,2) np 数组来使用 np.array 的概念向我解释它，并解释归一化实际上如何适用于不同的轴。

Answer 1

让我们考虑一个2*2 Numpy Array ，

x = np.array([[1,2],
              [3,4]])

Axis = 0表示操作按Row-wise完成。 Axis = 0的代码：

x_norm_rows_axis = tf.keras.utils.normalize(x, axis= 0)
print(x_norm_rows_axis)

上述代码的Output为：

[[0.31622777 0.4472136 ]
 [0.9486833  0.89442719]]

Axis = 0的output可以详细说明如下：

print('x_norm_rows_axis[0][0] = {}'.format(1/np.sqrt(1 ** 2 + 3 ** 2)))
print('x_norm_rows_axis[0][1] = {}'.format(2/np.sqrt(2 ** 2 + 4 ** 2)))
print('x_norm_rows_axis[1][0] = {}'.format(3/np.sqrt(1 ** 2 + 3 ** 2)))
print('x_norm_rows_axis[1][1] = {}'.format(4/np.sqrt(2 ** 2 + 4 ** 2)))

上述Print语句的 Output 如下图所示：

x_norm_rows_axis[0][0] = 0.31622776601683794
x_norm_rows_axis[0][1] = 0.4472135954999579
x_norm_rows_axis[1][0] = 0.9486832980505138
x_norm_rows_axis[1][1] = 0.8944271909999159

Axis = 1表示操作是按Column-wise完成的。 axis = 1的代码。 在这种情况下，由于我们只有 2 个维度，我们也可以将其视为axis = -1 ：

x_norm_col_axis = tf.keras.utils.normalize(x, axis= 1)
print(x_norm_col_axis)

上述代码的Output为：

[[0.4472136  0.89442719]
 [0.6        0.8       ]]

axis = 1或axis = -1 （本例）的output可以详细说明如下：

print('x_norm_col_axis[0][0] = {}'.format(1/np.sqrt(1 ** 2 + 2 ** 2)))
print('x_norm_col_axis[0][1] = {}'.format(2/np.sqrt(2 ** 2 + 1 ** 2)))
print('x_norm_col_axis[1][0] = {}'.format(3/np.sqrt(4 ** 2 + 3 ** 2)))
print('x_norm_col_axis[1][1] = {}'.format(4/np.sqrt(3 ** 2 + 4 ** 2)))

上述Print语句的 Output 如下图所示：

x_norm_col_axis[0][0] = 0.4472135954999579
x_norm_col_axis[0][1] = 0.8944271909999159
x_norm_col_axis[1][0] = 0.6
x_norm_col_axis[1][1] = 0.8

要了解Order参数的工作原理，请参阅此Stack Overflow Answer 。

希望这可以帮助。 快乐学习！