时间序列分类问题中的归一化数据 - 递归神经网络
Normalizing data in a time series classification problem - Recurrent Neural Networks
我正在解决一个问题，我需要使用 LSTM 从运动传感器数据中预测多个输出 类 之一。有两个不同的传感器，每个传感器具有三个通道并具有不同的测量单位。对于每个记录，我使用最小-最大归一化使振幅传感器水平介于 0 和 1 之间（对于每个传感器单独）。
这样做，我发现当使用规范化时，我的网络确实更快地收敛到最终值（在准确性方面），但与对相同网络设置使用非规范化数据时相比，性能明显较低。
据我了解，归一化具有帮助训练的优势，但如果获得性能优势，是否真的有必要坚持使用接受归一化输入的性能较低的网络。我不是那么有经验，希望其他人对此发表评论。
谢谢！
如果这是主要优先事项，我会使用性能更好的网络。归一化的目标通常只是为了让你的损失在训练期间不会爆炸。因此，当值非常大时，它通常会改善结果。但是，有时当值已经很小时，归一化会使情况变得更糟。也有可能是你的取值范围太小了。您可能想尝试在 (0, 2) 或更大范围之间进行归一化。但如果没有规范化性能已经令人满意，我不会打扰。
我正在解决一个问题，我需要使用 LSTM 从运动传感器数据中预测多个输出 类 之一。有两个不同的传感器，每个传感器具有三个通道并具有不同的测量单位。对于每个记录，我使用最小-最大归一化使振幅传感器水平介于 0 和 1 之间（对于每个传感器单独）。
这样做，我发现当使用规范化时，我的网络确实更快地收敛到最终值（在准确性方面），但与对相同网络设置使用非规范化数据时相比，性能明显较低。
据我了解，归一化具有帮助训练的优势，但如果获得性能优势，是否真的有必要坚持使用接受归一化输入的性能较低的网络。我不是那么有经验，希望其他人对此发表评论。
谢谢！
如果这是主要优先事项，我会使用性能更好的网络。归一化的目标通常只是为了让你的损失在训练期间不会爆炸。因此，当值非常大时，它通常会改善结果。但是，有时当值已经很小时，归一化会使情况变得更糟。也有可能是你的取值范围太小了。您可能想尝试在 (0, 2) 或更大范围之间进行归一化。但如果没有规范化性能已经令人满意，我不会打扰。