在训练期间恢复非规范化数据答案

【问题标题】：Recover denormalized data during training在训练期间恢复非规范化数据
【发布时间】：2020-03-15 01:42:34
【问题描述】：

我正在使用 TensorFlow/Keras 来训练 CNN。我已经使用 0 到 1 之间的 MinMaxScaler 对我的输入 (X) 和输出 (Y) 数据进行了标准化（我的问题中有 2 个输入和 3 个输出），例如：

from sklearn.preprocessing import MinMaxScaler # For normalizing data
scaler = MinMaxScaler() # Define limits for normalize data
X = scaler.fit_transform(X) # Normalize input data
Y = scaler.fit_transform(Y) # Normalize output data

问题是，在训练期间，在每个时期，我都会得到一个标准化的损失值。反正我可以得到原始的损失值吗？

我知道有以下逆变换：

X = scaler.inverse_transform(X) # Inverse transformation of input data
Y = scaler.inverse_transform(Y) # Inverse transformation of output data

但我不确定如何在模型中执行这种非规范化。

【问题讨论】：

为什么要“原始”损失值？使用自定义损失函数和/或 lambda 层应该是可能的，但我觉得这不值得对您的代码产生影响。
这是一个回归问题，使用非规范化数据更容易解释我在每个时期结束时得到的结果。

标签： keras normalization denormalization

【解决方案1】：

作为一般经验法则，您不应试图更改损失函数以使其更易于解释。对于您的情况，我建议您发送custom metric。在您创建的自定义度量函数中，您可以对 y_true 和 y_pred 进行逆变换，然后在它们上计算您想要的任何值（例如 MAE）。

如果您想做一些不能仅仅作为指标处理的事情，您始终可以创建一个运行 on_epoch_end 的 custom lambda callback（或任何您想要的时间）。

【讨论】：

我明白了......所以，我可以创建一个自定义指标并将其用作损失函数，而不是我的常规损失（我目前正在使用 MSE）？
@MuriloSouza 不要试图改变你的损失函数。如果你需要，你可以创建一个自定义的损失函数。但是，您正在寻找“可解释”的数字，因此您不应触及损失，而应使用自定义指标。我建议使用 MAE，因为我会说它比 MSE 更易于解释，但这是你的选择，取决于你想看到什么。