Python 3.x 使用tensorflow规范化特征的正确方法是什么？

我有一个数据集，具有我想用tensorflow缩放的功能。问题是，我不明白在输入集上应用转换，然后再应用到随机输入向量（对于单个预测）的机制是什么

什么是标准化数据集的最佳实践模式，以便保留平均值和标准差以供以后使用？换句话说，在训练模型时，如何在训练和测试时有效地应用定义的预处理方法

编辑：我想可能是这样的

init_dataset = [[1,2,3],[4,5,6],[7,8,9]]

init_dataset_normalized = normalize(init_data_set)

fit = model( init_dataset_normalized )

pred = fit.predict( normalize( random_input ))

---

假设我有灰度图像，我使用以下方法：

def scale(X):
    x = []
    for i in range(len(X)):
        x.append(X[i].astype('float32'))
        x[i] /= 255.0
    return x

---

希望这能回答这个问题。

为什么投反对票？你应该在问题中添加更多细节。理想情况下，您应该在代码中提供一个示例输入输出对。如果您不知道如何在temsorflow中编写，您可以使用numpy甚至伪代码进行说明。@EliKorvigo如果没有示例，您有什么建议。只是一个抽象的想法？数字并不重要：只是模式。“这样平均值和std可以保留下来供以后使用”——这部分还不清楚。也许你在寻找类似的东西是的，但我觉得tensorflow会有类似的东西。我在寻找和举例，我guess@grldsndrs，我不知道。我通常自己做标准化。