如何在模型中使用tf.keras.layers.normalization以上的功能

Question

This reproducible example creates a basic regression model预测MPG给定马力（希望我可以提供链接）。据我了解，这将功能马力转换为模型的训练 - 也称为。这很有吸引力，因为该模型在评分/推理中进行了必要的原始数据转换，例如部署后（如果我被误解，请纠正我）。我想知道，当一个人拥有的比独立变量多得多时，该如何实现。这是从上面引用的可再现代码中获取的：

horsepower_normalizer = tf.keras.layers.Normalization(input_shape=[1, ], axis=None)
horsepower_normalizer.adapt(horsepower)

horsepower_normalizer = tf.keras.layers.Normalization(input_shape=[1, ], axis=None)
horsepower_normalizer.adapt(horsepower)

horsepower_model = Sequential([
    horsepower_normalizer,
    layers.Dense(units=1)
])

因此，我们说我们有数字功能 x，y，z 的列表，是否可以基于此制作模型定义代码（例如，通过功能API） ？任何指示都将非常欢迎。谢谢！

PS：

我目前正在尝试学习Keras + TF，理想情况下，我希望正常化成为模式/培训的一部分。我沿着这些行使用非常敬业的代码（要改进！）：

train_data = pd.read_csv('train.csv')
val_data = pd.read_csv('val.csv')

target_name = 'ze_target'

y_train = train_data[target_name]
X_train = train_data.drop(target_name, axis=1)

y_val = train_data[target_name]
X_val = train_data.drop(target_name, axis=1)

def create_model():
    
    model = Sequential()
    model.add(Dense(20, input_dim=X.shape[1], activation='relu'))
    model.add(Dense(20, input_dim=X.shape[1], activation='relu'))
    model.add(Dense(20, input_dim=X.shape[1], activation='relu'))
    model.add(Dense(1))
    # Compile model
    model.compile(optimizer=Adam(learning_rate=0.0001), loss = 'mse')
    return model

model = create_model()
model.summary()

model.fit(X_train, y_train, validation_data=(X_val,y_val), batch_size=128, epochs=30)

Answer 1

您可以使用 tf.concat 轴上的功能= 1，然后使用 对于下面的三个功能，因为我们想在三个功能上标准化，请确保设置 input_shape =（3，） and axis = -1 <-1 < /代码>。

import tensorflow as tf

x = tf.random.uniform((100, 1))
y = tf.random.uniform((100, 1))
z = tf.random.uniform((100, 1))

xyz = tf.concat([x, y, z], 1)

horsepower_normalizer = tf.keras.layers.Normalization(input_shape=(3,), axis=-1)
horsepower_normalizer.adapt(xyz)

horsepower_model = tf.keras.models.Sequential([
    horsepower_normalizer,
    tf.keras.layers.Dense(units=1)
])

horsepower_model(xyz)

输出：

<tf.Tensor: shape=(100, 1), dtype=float32, numpy=
array([[-0.17135675],
       [-0.48248804],
       [-2.2847023 ],
       [-0.05702276],
       [ 2.9332483 ],
       [ 0.64826846],
       [-2.1490448 ],
       [-1.1697797 ],
       [-0.01030668],
            ...
       [-1.880199  ],
       [ 1.2854142 ],
       [-0.5471661 ]], dtype=float32)>