如何训练带有负和正元素作为第一层输入的卷积神经网络？

Question

我很好奇，为什么当我在例如CNN上训练模型时，为什么必须在测试集上缩放测试集，而不是在训练集上缩放？ 还是我错了？而且我仍然必须根据培训情况进行调整。 另外，我能否在CNN中训练一个包含正负元素的数据集作为网络的第一个输入？ 任何参考的答案将不胜感激。

Answer 1

缩放数据取决于需求以及您获得的提要/数据。测试数据仅按测试数据缩放，因为测试数据没有目标变量（测试数据中少了一项功能）。如果我们用新的测试数据来扩展培训数据，则我们的模型将无法与任何目标变量相关联，从而无法学习。所以关键的区别是Target变量的存在。

Answer 2

我们通常使用3种类型的数据集来训练模型，

1. 训练数据集
2. 验证数据集
3. 测试数据集

培训数据集

这应该是覆盖所有数据类型的均匀分布的数据集。如果您的火车有更多的时期，则该模型将习惯于训练数据集，并且只会对训练数据集进行适当的正确预测，这称为过度拟合。保持过度拟合的唯一方法是拥有从未训练过的其他数据集。

验证数据集

可以用于微调模型超参数

测试数据集

这是尚未经过模型训练的数据集，它从来都不是决定超参数的一部分，并且可以给出模型运行情况的现实。

Answer 3

如果使用缩放和归一化，则测试集应使用训练期间使用的相同参数。 与此相关的一个很好的答案：https://datascience.stackexchange.com/questions/27615/should-we-apply-normalization-to-test-data-as-well

此外，某些模型倾向于要求规范化，而其他模型则不需要。 神经网络架构通常很健壮，可能不需要规范化。