2024-05-19 01:41:12 发布
网友
在http://cs231n.github.io/neural-networks-2/中提到,对于卷积神经网络,最好使用均值减和归一化技术对数据进行预处理。
我只是想知道如何用Tensorflow来处理这个问题。
平均减量
X -= np.mean(X)
标准化
X /= np.std(X, axis = 0)
最好的方法是使用tf.image.per_image_standardization。 阅读文档https://www.tensorflow.org/api_docs/python/tf/image/per_image_standardization 更多信息。
tf.image.per_image_standardization
在feature columns的源代码中,我注意到对于实值列类型,有一个关键字参数normalizer,它可以将默认的规范化函数作为参数应用于张量的每个元素:
real_valued_column("col_name", normalizer = lambda x: (x-X.mean())/X.std())
其中X是你的数据。我认为这里的优点是规范化可以应用于在专用机器上的张量流图过程中。规范化功能也可以很容易地定制。
你在找
Linearly scales image to have zero mean and unit norm.This op computes (x - mean) / adjusted_stddev, where mean is the average of all values in image, and adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements())).
Linearly scales image to have zero mean and unit norm.
This op computes (x - mean) / adjusted_stddev, where mean is the average of all values in image, and adjusted_stddev = max(stddev, 1.0/sqrt(image.NumElements())).
最好的方法是使用
tf.image.per_image_standardization
。 阅读文档https://www.tensorflow.org/api_docs/python/tf/image/per_image_standardization 更多信息。在feature columns的源代码中,我注意到对于实值列类型,有一个关键字参数normalizer,它可以将默认的规范化函数作为参数应用于张量的每个元素:
其中X是你的数据。我认为这里的优点是规范化可以应用于在专用机器上的张量流图过程中。规范化功能也可以很容易地定制。
你在找
相关问题 更多 >
编程相关推荐