Python 如何计算tensorflow.keras.layers.experimental中预处理、归一化后摘要中的不可训练参数？

我一直在使用

tensorflow.keras.layers.experimental

中的

preprocessing.Normalization

来规范化数据。在这里，当我使用一个输入（[None，1]）时，我在摘要中得到3个不可训练的参数。当我使用九个输入（[None，9]）时，我得到19个不可训练的参数。可以找到这些示例、摘要、代码和完整的数据。如何计算“9”和“19”

我已经看到了一个for

BatchNormalization

，但对于上述规范化，情况可能不同。 我想更详细地了解它们的含义以及它们是如何计算的，它是否与平均值、标准偏差和偏差有某种联系？背后的理论是什么？有人能指着一张纸吗

---

谢谢。

我不知道Keras实现的细节，但是规范化应该是（从）：

因此，这些不可训练的参数可能是单个输入的平均值和标准偏差，因此是输入数的2倍

2*n

，然后是一个额外的参数，以避免除以零，即

2*n+1

x_i_normalized = (x_i - mean_i) / sqrt(var_i + epsilon)