时间戳

首页 > 解决方案 > 如何根据自己的类型对 3D 数组的特定维度中的特征进行归一化

python - 如何根据自己的类型对 3D 数组的特定维度中的特征进行归一化

问题描述

我有一个 3D 数组 (1883,100,68) 作为 (batch,step,features)。

这68个特征是完全不同的特征，例如能量和mfcc。

我希望将各自的特征标准化为他们自己的类型。

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]))

显然，将其转换为二维数组是行不通的，因为每个特征都针对所有 6800 个特征进行了归一化。这导致所有100 个步骤中的多个特征都变为零。

例如，我正在寻找的特征 [0] 是能量。对于一个批次，由于 100 个步骤，有 100 个能量值。我希望这 100 个能量值在自身内部标准化。

所以归一化应该在[1,1,0],[1,2,0],[1,3,0]...[1,100,0]之间进行。所有其他功能相同。

我应该如何处理它？

更新：

以下代码是在 sai 的帮助下生成的。

def feature_normalization(x):
    batches_unrolled = np.expand_dims(np.reshape(x, (-1, x.shape[2])), axis=0)

    x_normalized = (x - np.mean(batches_unrolled, axis=1, keepdims=True)) / np.std(batches_unrolled, axis=1, keepdims=True)

    np.testing.assert_allclose(x_normalized[0, :, 0], (x[0, :, 0] - np.mean(x[:, :, 0])) / np.std(x[:, :, 0]))
    return x_normalized

def testset_normalization(X_train,X_test):
    batches_unrolled = np.expand_dims(np.reshape(X_train, (-1, x.shape[2])), axis=0)
    fitted_mean = np.mean(batches_unrolled, axis=1, keepdims=True)
    fitted_std = np.std(batches_unrolled, axis=1, keepdims=True)
    X_test_normalized = (X_test - fitted_mean) / fitted_std
    return X_test_normalized

标签： pythonarraysnumpymachine-learningnormalization

解决方案

为了在一个批次中独立地对所有样本的特征进行归一化——

  1. 展开批量样本以获得 [10(time steps)*batch_size] x [40 features] 矩阵
  2. 获取每个特征的均值和标准差
  3. 对实际批量样本执行元素标准化归一化
import numpy as np

x = np.random.random((20, 10, 40))

batches_unrolled = np.expand_dims(np.reshape(x, (-1, 40)), axis=0)

x_normalized = (x - np.mean(batches_unrolled, axis=1, keepdims=True)) / np.std(batches_unrolled, axis=1, keepdims=True)

np.testing.assert_allclose(x_normalized[0, :, 0], (x[0, :, 0] - np.mean(x[:, :, 0])) / np.std(x[:, :, 0]))

推荐阅读