在Keras中的layers.concatenate（）之后如何规范化数据输入

Question

在密集网络的开头，我有一个带有连接层的CNN。我使用layer.concatenate（）来合并CNN检索的特征和我的手工特征。现在，这2个数据数组具有2个不同的比例（因为第一个是CNN计算的值，另一个是我计算的特征）。因此，我将采用一种通用规模来规范化这两种数据的方法，以简化工作。这是我的CNN：

emb = Embedding()(image_input)
conv = Conv1D(64, 2, activation = 'relu', strides = 1, padding = 'same')(emb)
conv = MaxPooling1D()(conv1)
first_part_output = Flatten()(conV)

merged_model = layers.concatenate([first_part_output, other_data_input])

在这里，我将进行标准化：

normal = *here i would do the normalization*

primoDense = Dense(256, activation = 'relu')(normal)
drop = Dropout(0.45)(primoDense)
predictions = Dense(1, activation = 'sigmoid')(drop)

[first_part_output，other_data_input] 是我的新合并数组。 first_part_output 是CNN的功能。 other_data_input 是我的手工制作功能。