Numpy 如何规格化三维阵列的特定尺寸

sklearn.preprocessing.normalize

仅支持二维数组规范化。 但是，我目前有一个用于LSTM模型训练（批处理、步骤、特征）的3D阵列，我希望规范化这些特征

我尝试了

tf.keras.utils.normalize（X_-train，axis=-1，order=2）

，但它不正确

另一种方法是将三维阵列折叠为二维阵列

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

输出

(1883, 100, 68)
6.028588763956215

(1883, 100, 68)
3.2232538993444533
-1.9056918449890343

输出

(1883, 100, 68)
6.028588763956215

(1883, 100, 68)
3.2232538993444533
-1.9056918449890343

该值仍不在1和-1之间

---

我应该怎么做？

正如评论中所建议的，我提供了答案

您可以使用

sklearn

预处理方法缩放三维阵列。您只需重新导入二维数据以进行拟合，然后反向返回到三维。这可以通过几行代码轻松完成

如果希望缩放数据在范围（-1,1）内，只需使用

MinMaxScaler

指定

feature\u range=（-1,1）

---

你可以简单地用sklearn预处理类来缩放3D数组，方法如下：@MarcoCerliani我建议你用

MinMaxScaler

将此作为一个答案，这样OP可以随后接受并解决这个问题（它不是完全重复的）。