如何在Keras模型中为单张3D图像正确使用Normalization层

1. 归一化层位置的理解正确 #

你的判断是对的：归一化层应当放在所有数据增强层之后。训练时，经过数据增强的图像需要做归一化；推理时，输入模型的测试数据无需经过数据增强，但必须执行相同的归一化操作，这样才能保证训练与推理阶段的输入分布一致。

2. 单张3D图像归一化的正确实现方式 #

你混淆了全局归一化和**单张图像归一化（Per-image Normalization）**的用法逻辑：

• 全局归一化：需要调用adapt()计算整个训练集的均值与方差，用于统一归一化所有样本，对应axis=None（对所有维度求统计量）。
• 单张图像归一化：无需计算全局统计量，而是对每个样本单独计算自身的均值和方差并完成归一化，这种场景下不需要调用adapt()。

错误原因分析 #

当你设置axis=0时，Keras会尝试保留batch维度（axis=0），对其余维度计算统计量，但adapt()要求输入具有确定的形状，而你的输入中batch维度为None（动态形状），因此触发报错。同时，axis=0也不是单张图像归一化的正确参数设置。

正确代码实现 #

对于形状为(batch_size, x, y, z, 1)的输入，要实现单张图像归一化，需将axis设置为空间维度与通道维度（即(1,2,3,4)），让每个样本基于自身所有像素值计算均值和方差：

InSize = xTrain.shape[1:]
inputs = keras.Input(shape=InSize + (1,), name="InputLayer")
# 设置axis为空间+通道维度，实现单张图像归一化
normalizer = keras.layers.Normalization(axis=(1,2,3,4), name='NormLayer')
# 单张图像归一化无需调用adapt()
x = normalizer(inputs)

# 后续模型结构
# ...

效果说明 #

此时模型会对每个输入的3D图像单独执行归一化：针对每个样本的x,y,z,1维度所有像素计算均值和方差，再将该样本的像素值转换为均值0、方差1的分布。

内容的提问来源于stack exchange，提问作者Joshua Arenson