什么是歸一化？

• 把大數(shù)量級(jí)特征轉(zhuǎn)化為較小的數(shù)量級(jí)下，通常是[0,1]或[-1,1]
• 例子：身高體重預(yù)測，房價(jià)預(yù)測
• 絕大多數(shù)，Tensorflow的模型不是給特別大的數(shù)設(shè)計(jì)的
• 將不同數(shù)量級(jí)的特征轉(zhuǎn)換到同一數(shù)量級(jí)，防止某個(gè)特征影響過大

操作步驟

• 準(zhǔn)備身高體重訓(xùn)練數(shù)據(jù)并歸一化
• 訓(xùn)練模型并測試，將結(jié)果反歸一化為正常數(shù)據(jù)。

歸一化訓(xùn)練數(shù)據(jù)

• 準(zhǔn)備身高體重訓(xùn)練數(shù)據(jù)
• 使用tfvis可視化訓(xùn)練數(shù)據(jù)
• 使用tensorflow.js 的api進(jìn)行歸一化

 const heights = [150, 160, 170]
  const weights = [40, 50, 60]
  tfvis.render.scatterplot(
    { name: '身高體重訓(xùn)練集' },
    { values: heights.map((x, i) => ({ x, y: weights[i] })) },
    { xAxisDomain: [140, 180], yAxisDomain: [30, 70] }
  )
  //歸一化
  const inputs = tf.tensor(heights).sub(150).div(20)
  const labels = tf.tensor(weights).sub(40).div(20)
  //神經(jīng)元個(gè)數(shù)和inputShape
  const model = tf.sequential()
  model.add(tf.layers.dense({ units: 1, inputShape: [1] }))
  // 設(shè)置損失函數(shù)和優(yōu)化器
  model.compile({
    loss: tf.losses.meanSquaredError,
    optimizer: tf.train.sgd(0.1)
  })
  // 訓(xùn)練
  await model.fit(inputs, labels, {
    batchSize: 3,
    epochs: 200,
    callbacks: tfvis.show.fitCallbacks({ name: '訓(xùn)練過程' }, ['loss'])
  })

反歸一化

預(yù)測后，把結(jié)果反歸一化為正常數(shù)據(jù)

image.png