转移学习的输入归一化
转移学习的输入归一化
提问于 2019-05-31 18:32:24
如果我正在训练一个具有物理性质的输入特征的深层神经网络(如温度、降水等)，我想要进行某种转移学习，在那里我对多个实例进行训练，看看它们在不同的输入集合上是如何表现的。如何确保在每一时刻被规范化的输入不会相互冲突？
例如，标准偏差为10的平均温度为0度，标准化后的平均温度为80度，标准差为10，平均温度为0，标准偏差为1。
回答 1
Data Science用户
发布于 2019-05-31 19:30:00
您应该选择一个单一的预处理方案，并保持它不变的所有实验！
在您的示例中，您希望将您的输入特性缩放到0平均值和一个等于1的标准差：
在初始训练中，计算每个特征的平均μ和标准差σ，并将它们存储起来。然后使用相同的值来缩放所有后续实验的数据。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/53001
复制相关文章
相似问题
腾讯云开发者
