Keras：在使用归一化数据训练的模型中使用 Predict？

Question

我正在 Keras 中创建一个深度神经网络，以使用表格数据执行 NN 回归。最佳实践是标准化输入和输出序列。我还想使用predict 函数为各种输入集提供模型输出的估计值。如果训练数据被标准化，我假设我还需要使用相同的缩放参数对predict 数据集进行标准化。最好的方法是什么？有没有办法自动规范化模型中的数据？

Answer 1

我通常喜欢为此使用 sklearn，它确实保存了参数并允许您“逆变换”回原始值。对于预测，您可以通过 inverse_transform 函数发送它们以获取它们的真实预测值。

这是一个工作示例供您参考。缩放器的参数可以很容易地调整。

from sklearn.preprocessing import MinMaxScaler, StandardScaler
import numpy as np

example = np.array([0., 1., 1., 0., 2., 3., 4., 4., 5.]).reshape(-1, 1)

# MinMax Scaling Example
scaler = MinMaxScaler(feature_range=(0.01, 0.99))
min_max_scaled = scaler.fit_transform(example)
min_max_orig = scaler.inverse_transform(min_max_scaled)

# Normalizing Example  (mean 0, std 1)
norm = StandardScaler()
normalized = norm.fit_transform(example)
normalized_orig = norm.inverse_transform(normalized)

Answer 2

没有最好的方法来做到这一点（这取决于问题），但最常见的做法是对训练数据和测试数据进行归一化，使它们的均值为 0，标准差为 1。

是的，使用Batch Normalization，您可以自动规范化模型中的数据，前提是您将合理大小的批次输入网络。这可能会产生与数据增强类似的效果，因为网络在训练期间将看到的信号很少重复（因为一个示例的信号现在取决于其整个批次）。在 Keras 中，这可以通过在输入层之后添加一个BatchNorm 层来实现。