Python 如何在Keras中的layers.concatenate（）之后规范化数据输入

我有一个CNN，在密集网络的开头有一个连接层。我使用layer.concatenate（）合并CNN检索到的功能和我手工制作的功能。现在，这两个数据数组有两个不同的比例（因为第一个是CNN计算的值，另一个是我计算的特征）。因此，我想用一种通用的尺度来规范这两种类型的数据，以简化工作。这是我的CNN：

emb = Embedding()(image_input)
conv = Conv1D(64, 2, activation = 'relu', strides = 1, padding = 'same')(emb)
conv = MaxPooling1D()(conv1)
first_part_output = Flatten()(conV)

merged_model = layers.concatenate([first_part_output, other_data_input])

在这里，我将进行规范化：

normal = *here i would do the normalization*

primoDense = Dense(256, activation = 'relu')(normal)
drop = Dropout(0.45)(primoDense)
predictions = Dense(1, activation = 'sigmoid')(drop)

[第一部分输出，其他部分数据输入]是我的新合并阵列。 第一部分输出是CNN特性。

---

其他数据输入是我手工制作的功能。

您需要哪种规格化？它只是标准化数据吗？如果没有，你能把它写下来作为一个等式吗？也许你确切地知道你在做什么，但是我想到了一些问题/评论。你是否清楚，他们在不同的尺度上？在进入NN之前，图片输入应该在0和1之间缩放，您的自定义功能也是如此。而且，从逻辑上讲，我会在连接之前进行规范化，在连接之后进行规范化对我来说没有意义。但是，就像我说的，也许你是个专家，知道我不知道的事情。你在图片上使用一维卷积层有什么原因吗？