python - 如何从神经网络获得无界的连续输出？

Question

我目前正在构建一个神经网络来预测温度等特征。所以这个输出可能是正值或负值。我正在规范化我的输入数据并在每个隐藏层中使用 tanh 激活函数。

我应该对输出层使用线性激活函数以获得无界的连续输出，还是应该对输出层使用 tanh 然后对输出进行逆归一化？有人可以解释一下吗？我认为我对此的理解是不正确的。

标签： pythonmachine-learning

Answer 1

你实际上是在正确的方向

选项1：

您需要先将温度标准化，然后将其输入模型，假设您的温度范围为 [-100,100]，因此将其转换为 [-1,1] 的比例，然后在目标变量中使用此比例版本的 temp。

在预测时只需对输出进行逆变换，您将获得所需的结果。

选项2：

您创建了一种回归类型的神经网络，并且不对输出层应用任何激活函数（意味着对于可能为 +ve 或 -ve 的值没有键）。在这种情况下，您不需要标准化这些值。

样本 NN 规范：

输入层==> # 每个特征一个神经元

隐藏层==>relu/selu 作为激活函数| # 神经元/隐藏层数根据您的要求

输出层==> 1 个神经元/不需要激活函数