训练中使用归一化后的预测

Question

在我在训练中使用了任何类型的标准化之后，这会对我未来的预测产生怎样的影响

假设某只股票的收盘价在0到1之间标准化，我对模型进行了相应的训练，达到了令人满意的精度。现在，当我使用新数据进行预测时，是否也需要对新数据进行规范化？如果是这样，我适合什么？现在我没有列车或测试数据集，新数据可能高于拟合数据（使其高于1）或低于最低数据（使其低于0）

我知道标准化在训练期间很有帮助，但当我想要预测真实数据时，训练后又如何呢

Answer 1

我想你指的是重新缩放数据。为此，您可以将规范化层添加到您的模型中，这样它将自动规范化输入数据，所以您不需要将其作为单独的步骤来完成。例如，使用TF，您可以执行以下操作：

import numpy as np
import tensorflow as tf
from tensorflow.keras import Model
from tensofrlow.keras.layers import Dense, Input
from tensofrlow.keras.models import Sequential
from tensorflow.keras.layers.experimental.preprocessing import Rescaling

my_shape = tuple()
my_data: np.ndarray = #some image array

def model(my_shape):
    input_data = Input(shape=my_shape)
    x = Rescaling(scale=1./255)(input_data)
    x = Dense(256, activation='relu')(x)
    x = Dense(1, activation='softmax')(x)
    return Model(input_data, x)

在这里，我们使用比例1./255来处理图像数据。现在，如果您训练这个模型（好吧，不是这个，因为它不会做太多），然后想要预测新图像，您只需将图像加载为数组，模型将负责为您重新缩放

如果您还希望进行规范化以获得特定的平均值和特定的方差，则可以将Normalization层添加到预处理步骤