这是一个更具概念性的问题，但我必须承认我已经处理了一段时间。
假设您想使用例如keras训练神经网络（NN）。因为建议您在培训之前执行数据的规范化或标准化，例如，使用标准化：
x_new = (x_old - mean)/standarddev
然后，你继续训练（keras中的model.fit）并尽量减少损失函数，非常好。
编辑：在我的情况下，我有一组介于200和400之间的值。这是一个NN，有1个输入，1个输出。我按照告诉标准化输入值和期望值，因此NN以标准化方式学习权重和偏差。
现在，想象一下，我有一个全新的数据集，其值介于200到400之间，我想预测一个输出，使用NN和之前的训练。您可以在keras中使用model.predict(x)，x我收到的全新值集，标准化（或标准化），因为您的NN是以这种方式接受培训的。但是，在predict之后，我得到的是一系列标准值，，但我想将它们映射到200到400的通常范围。我不知道该怎么做。
我知道你可以在没有标准化或标准化的情况下进行训练，但我已经读过，如果你标准化（或标准化），单位（神经元）输出范围内的值（例如，0和0之间） 1为sigmoid），训练有所改善。
谢谢。
答案 0 :(得分：3)
好的，我认为我的问题是正确的，所以我会试着解释一下如何处理数据规范化：
<强> 1。关于输入和输出分配的假设：通常在神经网络训练中 - 你假设你的数据（输入和输出）来自一些概率分布：我们称之为 X 输入和 Y 的输出。在培训阶段，有一些原因可以使这种分配为零均值和单位标准差。
<强> 2。数据规范化和恢复的统计部分：因为这一点 - 您必须在培训网络期间解决另一项任务。此任务是估算输入分布 X 和输出分布 Y 的平均值和标准差。您只需将经验均值和标准差应用于您的训练数据即可。
第3。应用阶段 - 输入：当您将模型应用于新输入时，您还假设您的输入来自分布 X ，因此您还需要将其标准化为零均值< / strong>和单位标准差，这是一个有趣的部分 - 您可以使用训练集和一组新数据来获得更好的 X的均值和标准差的估计但为了避免在验证案例中过度拟合 - 您通常使用在培训阶段获得的平均值和标准差来使新数据标准化。
<强> 4。应用阶段 - 输出：这部分比较棘手，因为当您将网络应用于新的标准化输入时，您将获得 Y *〜（Y - mean'（Y））/ sd'（Y）<的新输出/ strong>其中意味着'（Y）和 sd'（Y）是根据您的训练集从经验上获得的平均值和标准偏差的估算值 Y 是您输出的原始分配。这是因为在训练集中，您可以为优化程序提供来自此分配的输出数据。因此，为了使您的输出重新进行转换，您需要应用转换： Y * * sd'（Y）+ mean'（Y）。这与标准化转型相反。
<强>概要
您的培训和申请阶段如下：
我希望这个答案可以解决您的问题，让您毫不怀疑数据的标准化和去标准化细节：）
答案 1 :(得分：1)
取决于您是否对您的输出进行标准化：
<强> 1。如果不是：那么您的输出值不是标准化的，您不必担心它。
<强> 2。如果是：，则只需{{1}}即可保持均值/ sd 和取消您的输出。
答案 2 :(得分：1)
使用以下公式对输入/输出值进行标准化：
X_s = (X - mean) / std
要进行去标准化，您必须具有输入和输出的均值和标准值。将它们保存在某处，然后使用以下等式：
X = X_s * std + mean
例如，假设对于[200,400]范围，平均值为300，标准差为100.然后，对于标准化值0.5，非标准化值为：
X = 0.5 * 100 + 300 = 350
如果你没有存储mean / std，那么你无法恢复原始值。