如何规范化3D数组的特定尺寸

debugcn 发表于 Dev

狮子座

sklearn.preprocessing.normalize仅支持2D数组标准化。但是，我目前有一个用于LSTM模型训练的3D数组（批处理，步骤，特征），我希望对特征进行归一化。

我已经尝试过，tf.keras.utils.normalize(X_train, axis=-1, order=2 )但这是不正确的。

另一种方法是将3D阵列折叠为2D阵列

print(X_train.shape)
print(max(X_train[0][0]))

输出

(1883, 100, 68)
6.028588763956215

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train.reshape(X_train.shape[0], -1)).reshape(X_train.shape)
X_test = scaler.transform(X_test.reshape(X_test.shape[0], -1)).reshape(X_test.shape)
print(X_train.shape)
print(max(X_train[0][0]))
print(min(X_train[0][0]))

输出

(1883, 100, 68)
3.2232538993444533
-1.9056918449890343

该值仍不在1和-1之间。

我应该如何处理？

马克·塞里亚尼

如评论中所建议，我提供了答案

您可以使用sklearn预处理方法缩放3D阵列。您只需要重新生成2D数据以适合它们，然后反转回3D。只需几行代码即可轻松完成此操作。

如果你想缩放数据是在范围（-1,1），你可以简单地使用MinMaxScaler指定feature_range=(-1,1)

X_train = np.random.uniform(-20,100, (1883, 100, 68))
X_test = np.random.uniform(-20,100, (100, 100, 68))

print(X_train.shape)
print(X_train.min().round(5), X_train.max().round(5)) # -20, 100

scaler = MinMaxScaler(feature_range=(-1,1))
X_train = scaler.fit_transform(X_train.reshape(X_train.shape[0], -1)).reshape(X_train.shape)
X_test = scaler.transform(X_test.reshape(X_test.shape[0], -1)).reshape(X_test.shape)

print(X_train.shape)
print(X_train.min().round(5), X_train.max().round(5)) # -1, 1

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。