如何在Keras预处理层中对每个样本单独缩放到[-1,1]区间？

你说得对，tf.keras.layers.Normalization确实是基于全局数据集的统计量做归一化，没法直接实现单样本的[-1,1]缩放。要实现每个样本单独缩放，你可以用两种仅依赖TensorFlow的方式：

方法一：Lambda层快速实现 #

Lambda层适合简单的张量运算，直接把缩放逻辑写成函数传入即可。核心逻辑是对每个样本计算自身的最小值和最大值，套用公式：scaled = 2 * (x - x_min) / (x_max - x_min) - 1，同时加入极小值避免除以0的情况。

import tensorflow as tf
from tensorflow.keras import layers, Model

def sample_minmax_scale(x):
    x_min = tf.reduce_min(x, axis=-1, keepdims=True)
    x_max = tf.reduce_max(x, axis=-1, keepdims=True)
    # 避免除以0，添加极小值
    range_val = tf.maximum(x_max - x_min, 1e-8)
    return 2 * (x - x_min) / range_val - 1

# 构建模型
input_layer = layers.Input(shape=(10,))  # 假设输入为10维单样本
scaling_layer = layers.Lambda(sample_minmax_scale)(input_layer)
# 后续连接你的模型结构
dense_layer = layers.Dense(32, activation='relu')(scaling_layer)
output_layer = layers.Dense(1, activation='sigmoid')(dense_layer)

model = Model(inputs=input_layer, outputs=output_layer)
model.compile(optimizer='adam', loss='binary_crossentropy')

这个Lambda层在训练和推理阶段都会自动执行，无需额外配置，因为它没有可训练参数，也不需要拟合数据集。

方法二：自定义Keras层（更规范） #

如果后续需要扩展缩放逻辑，或者想要更清晰的代码结构，自定义层是更好的选择。只需继承tf.keras.layers.Layer并实现call方法：

class SampleMinMaxScaler(layers.Layer):
    def __init__(self, epsilon=1e-8, **kwargs):
        super().__init__(**kwargs)
        self.epsilon = epsilon

    def call(self, inputs):
        x_min = tf.reduce_min(inputs, axis=-1, keepdims=True)
        x_max = tf.reduce_max(inputs, axis=-1, keepdims=True)
        range_val = tf.maximum(x_max - x_min, self.epsilon)
        return 2 * (inputs - x_min) / range_val - 1

    # 可选：实现get_config以便模型保存和加载
    def get_config(self):
        config = super().get_config()
        config.update({'epsilon': self.epsilon})
        return config

# 使用自定义层构建模型
input_layer = layers.Input(shape=(10,))
scaling_layer = SampleMinMaxScaler()(input_layer)
dense_layer = layers.Dense(32, activation='relu')(scaling_layer)
output_layer = layers.Dense(1, activation='sigmoid')(dense_layer)

model = Model(inputs=input_layer, outputs=output_layer)
model.compile(optimizer='adam', loss='binary_crossentropy')

效果验证 #

可以用简单样本测试缩放结果：

test_sample = tf.constant([[1, 2, 3, 4, 5]])  # 5维单样本
scaled_sample = sample_minmax_scale(test_sample)
print(scaled_sample.numpy())  # 输出应为[[-1.  -0.5  0.   0.5  1. ]]

这样不管是训练时输入原始数据，还是推理时传入新的原始样本，都会自动完成单样本的[-1,1]缩放，完全不依赖sklearn。

内容的提问来源于stack exchange，提问作者Jan Willem