我想对我的神经网络的标签进行归一化,但也能够逆转归一化过程,以便我可以将预测输出缩放回原始大小。
我的标签是这样的:
[[ 2.25, 2345123.23],
[ 1.13, 234565.11],
...
[0.12, 990232.98]]
现在我想规范化每一列,使值范围从 0 到 1。
我发现 pytorch 具有 torch.nn.functional.normalize 函数,它允许我使用我想要的任何 p 范数沿特定维度进行归一化。
是否存在允许我缩放归一化值的反函数?
目前,我正在使用一个自定义函数来执行特征缩放,如下所示,它将两列一起缩放,但是,我想确保在重写之前我没有创建 torch 库中已经存在的函数。
A = lbl_min
B = lbl_max
a = lower_bound
b = upper_bound
self.labels = a*np.ones(shape) + (self.labels - A*np.ones(shape))*(b-a)/(B-A)
补充资料: 我正在使用回归模型来输出连续的真实世界值。我需要“非规范化”我的预测,以便根据真实值验证它们。此外,如果我要在实际应用中使用我的模型,我需要将输出恢复为原始单位。