Batch Normalization，在Keras怎么用

在 Keras 中，可以使用 `BatchNormalization` 层来实现 Batch Normalization。

下面是一个使用 Batch Normalization 的示例：

from keras.models import Sequential
from keras.layers import Dense, BatchNormalization

model = Sequential()

# 添加输入层和 Batch Normalization 层
model.add(Dense(units=64, input_shape=(100,)))
model.add(BatchNormalization())

# 添加隐藏层和 Batch Normalization 层
model.add(Dense(units=128, activation='relu'))
model.add(BatchNormalization())

# 添加输出层
model.add(Dense(units=10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

在上面的示例中，我们使用了 `BatchNormalization` 层来对输入和隐藏层进行 Batch Normalization。在添加 `BatchNormalization` 层时，我们可以设置一些参数，例如 `axis`、`momentum` 和 `epsilon` 等，来控制 Batch Normalization 的行为。例如，我们可以设置 `axis=-1` 来表示对每个特征维度进行归一化，或者设置 `momentum=0.99` 来表示使用动量更新均值和方差。

当然，除了在模型中使用 `BatchNormalization` 层，我们还可以使用 `tf.keras.layers.BatchNormalization` 函数来对数据进行 Batch Normalization。例如：

import tensorflow as tf

# 假设我们有一个形状为 (32, 100) 的张量 x
x = tf.random.normal(shape=(32, 100))

# 对 x 进行 Batch Normalization
x = tf.keras.layers.BatchNormalization()(x)

这里我们使用 `tf.keras.layers.BatchNormalization()` 函数对张量 `x` 进行 Batch Normalization，并将结果存储在 `x` 中。