Pytorch 如何根据以前的数据集规范化新记录？
Pytorch How to normalize new records with regard to previous dataset?
我正在尝试使用 pytorch 构建一个神经网络。我正在使用 sklearn.MinMaxScaler 来标准化我的数据集。但是，如何规范化我需要根据数据集的混合最大值预测的新传入记录？
scaler = MinMaxScaler()
scaler.fit_transform(file_x[list_of_features_to_normalize])
为了使用 sklearn.preprocessing.MinMaxScaler，您首先需要 fit 缩放器到 训练 数据的值。这是使用
完成的（就像你已经做的那样）
scaler.fit_transform(file_x[list_of_features_to_normalize])
在此之后 fit 您的缩放对象 scaler 将根据训练数据调整其内部参数（例如 min_、scale_ 等）。
训练完成后，如果您希望在新记录上评估您的模型，您只需应用 scaler 而无需 将其拟合到新数据：
val_t = scaler.transform(validation_data)
我正在尝试使用 pytorch 构建一个神经网络。我正在使用 sklearn.MinMaxScaler 来标准化我的数据集。但是，如何规范化我需要根据数据集的混合最大值预测的新传入记录？
scaler = MinMaxScaler()
scaler.fit_transform(file_x[list_of_features_to_normalize])
为了使用 sklearn.preprocessing.MinMaxScaler，您首先需要 fit 缩放器到 训练 数据的值。这是使用
scaler.fit_transform(file_x[list_of_features_to_normalize])
在此之后 fit 您的缩放对象 scaler 将根据训练数据调整其内部参数（例如 min_、scale_ 等）。
训练完成后，如果您希望在新记录上评估您的模型，您只需应用 scaler 而无需 将其拟合到新数据：
val_t = scaler.transform(validation_data)