所以，我明白标准化对于训练神经网络是很重要的。

我也明白，我必须使用训练集的参数来标准化验证集和测试集（例如，请参考这个讨论：https://stats.stackexchange.com/questions/77350/perform-feature-normalization-before-or-within-model-validation）

我的问题是：在Keras中如何做到这一点？

我目前的做法是：

import numpy as npfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.callbacks import EarlyStoppingdef Normalize(data):    mean_data = np.mean(data)    std_data = np.std(data)    norm_data = (data-mean_data)/std_data    return norm_datainput_data, targets = np.loadtxt(fname='data', delimiter=';')norm_input = Normalize(input_data)model = Sequential()model.add(Dense(25, input_dim=20, activation='relu'))model.add(Dense(1, activation='sigmoid'))model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])early_stopping = EarlyStopping(monitor='val_acc', patience=50) model.fit(norm_input, targets, validation_split=0.2, batch_size=15, callbacks=[early_stopping], verbose=1)

但在这里，我首先根据整个数据集标准化数据，然后再分割验证集，这根据上述讨论是错误的做法。

保存训练集的均值和标准差（training_mean和training_std）并不是什么大事，但如何使用training_mean和training_std分别对验证集进行标准化呢？

回答：

你可以在拟合模型之前使用sklearn.model_selection.train_test_split手动将数据分割成训练和测试数据集。然后，根据训练数据的均值和标准差来标准化训练和测试数据。最后，使用validation_data参数调用model.fit。

代码示例

import numpy as npfrom sklearn.model_selection import train_test_splitdata = np.random.randint(0,100,200).reshape(20,10)target = np.random.randint(0,1,20)X_train, X_test, y_train, y_test = train_test_split(data, target, test_size=0.2)def Normalize(data, mean_data =None, std_data =None):    if not mean_data:        mean_data = np.mean(data)    if not std_data:        std_data = np.std(data)    norm_data = (data-mean_data)/std_data    return norm_data, mean_data, std_dataX_train, mean_data, std_data = Normalize(X_train)X_test, _, _ = Normalize(X_test, mean_data, std_data)model.fit(X_train, y_train, validation_data=(X_test,y_test), batch_size=15, callbacks=[early_stopping], verbose=1)