keras归一化与反归一化

        from sklearn.preprocessing import MinMaxScaler，其中MinMaxScaler是一个类，作用是用作数据归一化。MinMaxScaler()会生成一个归一化实例instance，一般用来归一化一组数据，之后的反归一化需要使用同一个instance才能成功反归一化。

一，MinMaxScaler的参数

feature_range : tuple (min, max), default=(0, 1)

        Desired range of transformed data.

        eg：sc=MinMaxScaler(feature_range=(0,1))

copy : bool, default=True

        Set to False to perform inplace row normalization and avoid a

        copy (if the input is already a numpy array).

clip : bool, default=False

        Set to True to clip transformed values of held-out data to

        provided `feature range`.

二，归一化的公式

The transformation is given by:

    X_std = (X - X.min(axis=0)) / (X.max(axis=0) - X.min(axis=0))

    X_scaled = X_std * (max - min) + min

    where min, max = feature_range.

三，归一化与反归一化实例代码

from sklearn.preprocessing import MinMaxScaler
import numpy as np

d=np.random.randint(10,100,size=10)
sc=MinMaxScaler(feature_range=(0,1))
#归一化
d=sc.fit_transform(d.reshape(-1,1))
#反归一化
d_invers=sc.inverse_transform(d)
#归一化与反归一化必须是同一个MinMaxScaler对象