如何将 RNN 转换为回归网络？
How to convert RNN into a regression net?
如果输出是 tanh 函数，那么我得到一个介于 -1 和 1 之间的数字。
如何将输出转换为我的 y 值的比例（现在恰好在 15 左右，但会因数据而异）？
或者我是否仅限于在某种已知范围内变化的函数...？
只需删除tanh，您的输出将是一个不受限制的数字。您的误差函数可能应该是平方误差。
如果您的框架没有自动完成，您可能需要更改 back-prop 的梯度计算。
编辑添加：您几乎肯定希望在循环连接之间保留 tanh（或其他一些 non-linearity），因此仅针对输出连接将其删除。
在大多数用于分类的 RNN 中，大多数人在其 LSTM 或 tanh 层之上使用 softmax 层，因此我认为您可以仅用线性输出层替换 softmax。这就是一些人对常规神经网络和卷积神经网络所做的事情。你仍然会有隐藏层的非线性，但你的输出不会被限制在某个范围内，比如 -1 和 1。成本函数可能是像 larspars 提到的平方误差。
如果输出是 tanh 函数，那么我得到一个介于 -1 和 1 之间的数字。
如何将输出转换为我的 y 值的比例（现在恰好在 15 左右，但会因数据而异）？
或者我是否仅限于在某种已知范围内变化的函数...？
只需删除tanh，您的输出将是一个不受限制的数字。您的误差函数可能应该是平方误差。
如果您的框架没有自动完成，您可能需要更改 back-prop 的梯度计算。
编辑添加：您几乎肯定希望在循环连接之间保留 tanh（或其他一些 non-linearity），因此仅针对输出连接将其删除。
在大多数用于分类的 RNN 中，大多数人在其 LSTM 或 tanh 层之上使用 softmax 层，因此我认为您可以仅用线性输出层替换 softmax。这就是一些人对常规神经网络和卷积神经网络所做的事情。你仍然会有隐藏层的非线性，但你的输出不会被限制在某个范围内，比如 -1 和 1。成本函数可能是像 larspars 提到的平方误差。