Python 3.x 如何在Keras回归模型中包含特征的标准化？

我有一个回归任务的数据。 独立特征（

X_train

）用标准缩放器缩放。 构建了添加隐藏层的Keras序列模型。编辑模型。 然后用

模型拟合模型。拟合（X\U序列缩放，y\U序列）

然后我将模型保存在

.hdf5

文件中

现在，如何在保存的模型中包含缩放部分， 因此，相同的缩放参数可以应用于看不见的测试数据

#imported all the libraries for training and evaluating the model
X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42)
sc = StandardScaler()
X_train_scaled = sc.fit_transform(X_train)
X_test_scaled= sc.transform (X_test)



def build_model():
    model = keras.Sequential([layers.Dense(64, activation=tf.nn.relu,input_shape=[len(train_dataset.keys())]),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(1)
    ])

    optimizer = tf.keras.optimizers.RMSprop(0.001)

    model.compile(loss='mean_squared_error',
                optimizer=optimizer,
                metrics=['mean_absolute_error', 'mean_squared_error'])
    return model
model = build_model()
EPOCHS=1000
history = model.fit(X_train_scaled, y_train, epochs=EPOCHS,
                    validation_split = 0.2, verbose=0)

loss, mae, mse = model.evaluate(X_test_scaled, y_test, verbose=0)

---

根据我的理解，标准而有效的方法是使用Tensorflow变换。本质上，这并不意味着如果我们必须使用TF转换，就应该使用整个TFX管道。TF转换也可以作为独立的转换使用

Tensorflow变换创建梁变换图，该图将这些变换作为常数注入Tensorflow图中。由于这些转换在图中表示为常量，因此它们在培训和服务中是一致的。培训和服务的一致性优势如下：

消除训练服务倾斜

消除了在服务系统中使用代码的需要，从而提高了延迟

TF转换的示例代码如下所述：

用于导入所有依赖项的代码：

try:
  import tensorflow_transform as tft
  import apache_beam as beam
except ImportError:
  print('Installing TensorFlow Transform.  This will take a minute, ignore the warnings')
  !pip install -q tensorflow_transform
  print('Installing Apache Beam.  This will take a minute, ignore the warnings')
  !pip install -q apache_beam
  import tensorflow_transform as tft
  import apache_beam as beam

import tensorflow as tf
import tensorflow_transform.beam as tft_beam
from tensorflow_transform.tf_metadata import dataset_metadata
from tensorflow_transform.tf_metadata import dataset_schema

下面提到的是预处理功能，其中我们提到了所有转换：

def preprocessing_fn(inputs):
  """Preprocess input columns into transformed columns."""
  # Since we are modifying some features and leaving others unchanged, we
  # start by setting `outputs` to a copy of `inputs.
  outputs = inputs.copy()

  # Scale numeric columns to have range [0, 1].
  for key in NUMERIC_FEATURE_KEYS:
    outputs[key] = tft.scale_to_0_1(outputs[key])

  for key in OPTIONAL_NUMERIC_FEATURE_KEYS:
    # This is a SparseTensor because it is optional. Here we fill in a default
    # value when it is missing.
    dense = tf.sparse_to_dense(outputs[key].indices,
                               [outputs[key].dense_shape[0], 1],
                               outputs[key].values, default_value=0.)
    # Reshaping from a batch of vectors of size 1 to a batch to scalars.
    dense = tf.squeeze(dense, axis=1)
    outputs[key] = tft.scale_to_0_1(dense)

  return outputs

除了

tft.scale_to_0_1

您还可以使用其他API进行规范化，如

tft.scale_by_min_max, tft.scale_to_z_score

有关详细信息和TF转换教程，请参阅下面提到的链接

可能存在的副本