tf.keras.layers.Normalization中axis=-1的含义是什么？

axis=-1在TensorFlow/Keras里是张量最后一个维度的相对索引，不用硬记具体的axis数字，尤其适合处理维度数不确定的张量。

结合你熟悉的二维张量场景（axis=0代表行、axis=1代表列）：

• 如果输入是形状为(样本数量, 特征数量)的二维张量，axis=-1完全等价于axis=1，也就是每个样本的特征维度。

对于Normalization层，这个参数决定了计算均值和方差的维度方向：

• 设axis=-1时，层会沿着每个样本的特征维度（最后一维）单独计算统计量，也就是对每个样本自身的所有特征做归一化。
• 对比axis=0的情况：它会跨所有样本，对每个特征列计算均值方差，把同一特征在所有样本上的值做归一化。

举个直观例子：
假设输入张量为：

[[1, 2, 3],
 [4, 5, 6]]

（2个样本，每个样本含3个特征）

• 若axis=-1（即axis=1），会分别对[1,2,3]和[4,5,6]各自计算均值、方差，得到两个独立归一化后的样本。
• 若axis=0，会对[1,4]、[2,5]、[3,6]这三个特征列分别计算统计量，完成每个特征的跨样本归一化。

在你提到的线性回归教程里，使用axis=-1是因为输入的每个样本是一组独立特征向量，需要对每个样本自身的特征分布做归一化，适配后续模型的输入要求。

内容的提问来源于stack exchange，提问作者ADITYA