Normalisation des données d'apprentissage du réseau neuronal par rapport aux données d'entrée en cours d'exécution

Question

Je commence à apprendre à propos des réseaux neuronaux et je suis tombé sur la normalisation des données. Je comprends le besoin, mais je ne sais pas quoi faire de mes données une fois mon modèle formé et sur le terrain. Supposons que je prenne mes données d'entrée, soustraire sa moyenne et diviser par l'écart type. Ensuite, je prends cela comme intrants et je forme mon réseau de neurones.

Une fois sur le terrain, que dois-je faire avec mon échantillon d'entrée sur lequel je veux une prédiction? Dois-je conserver la moyenne et l'écart-type de mes données d'entraînement et les utiliser pour normaliser?

Answer 1

Correct. L'écart moyen et standard que vous utilisez pour normaliser les données d'entraînement sera le même que celui que vous utilisez pour normaliser les données de test (c'est-à-dire, ne calculez pas une moyenne et un écart type pour les données de test).

Espérons que ce lien vous donner des informations plus utiles: http://cs231n.github.io/neural-networks-2/

Un point important à faire au sujet de la pré-traitement est que les statistiques de pré-traitement (par exemple, les données signifient) ne doivent être calculés sur les données de formation, et puis appliqué aux données de validation/test. Par exemple. calculer la moyenne et la soustraire de chaque image à travers l'ensemble de données entier, puis diviser les données en train/Val/test des écarts serait une erreur. Au lieu de cela, la moyenne doit être calculée uniquement sur les données d'entraînement, puis soustraite également de toutes les divisions (train/val/test).