相关疑难解决方法(0)

在这个页面（https://pytorch.org/vision/stable/models.html）中，它说“所有预训练的模型都期望以相同的方式标准化输入图像，即小批量的 3 通道 RGB 图像形状 (3 x H x W)，其中 H 和 W 预计至少为 224。图像必须加载到 [0, 1] 的范围内，然后使用mean = [0.485, 0.456, 0.406]和std = [0.229, 0.224, 0.225]“进行归一化。

如果不是平时mean和std正常化是[0.5, 0.5, 0.5]和[0.5, 0.5, 0.5]？为什么要设置这么奇怪的值？

Mahout in Action中描述了归一化可以略微提高准确性.任何人都可以解释原因,谢谢!

这个问题是在我用其他人编写的一段代码（可以在这里找到）确认我的结果（可以在此处找到 Python Notebook ）后完全重新编写的。这是我检测的代码，用于处理我的数据并计算迭代数直到收敛：

import numpy as np
from matplotlib import pyplot as plt

class Perceptron(object):
    """Implements a perceptron network"""
    def __init__(self, input_size, lr=0.1, epochs=1000000):
        self.W = np.zeros(input_size+1)
        #self.W = np.random.randn(input_size+1)
        # add one for bias
        self.epochs = epochs
        self.lr = lr

    def predict(self, x):
        z = self.W.T.dot(x)
        return [1 if self.W.T.dot(x) >=0 else 0]

    def fit(self, X, d):
        errors = []
        for epoch in range(self.epochs):
            if (epoch + 1) % 10000 == 0: print('Epoch',epoch + …

我正在尝试建立一个神经网络,以预测每个网球运动员在互相比赛时赢得服务点的概率.对于输入,我会使用N每个玩家所玩的最后一场比赛,取得对手的排名差异以及赢得比赛中他点的实际概率.

例如,仅查看每个玩家的2个匹配项,一个输入就是

i=[-61, 25, 0.62, 0.64, 2, -35, 0.7, 0.65]

前4名是第1名球员(排名差异和概率),其他4名是第2名.输出将是

o=[0.65, 0.63]

因此,培训投入将是X=[i1, i2, i3,...]和输出y=[o1, o2, o3,...]

我有几个新手问题:

1. 是否有必要对整个数据集中的输入(排名和概率)进行标准化？
2. 当我尝试在python中运行它时,它说

ValueError:标签二值化不支持多输出目标数据

我可以让MLPClassifier使用2个输出吗？

编辑:添加了一些代码

from sklearn.neural_network import MLPClassifier
clf = MLPClassifier(solver='lbfgs', alpha=1e-5,
                   hidden_layer_sizes=(5, 2), random_state=1)
X=[[-61, 25, 0.62, 0.64, 2, -35, 0.7, 0.65], [2,-5,0.58,0.7,-3,-15,0.65,0.52] ]
y=[ [0.63, 0.64], [0.58,0.61] ]
clf.fit(X,y)

该代码返回提到的错误.数据在这里没有标准化,但是现在让我们忽略它.

因此，与数据相关的标准操作之一是对其进行归一化并将其标准化，以使其具有均值0且标准偏差为1的正态分布数据，对吗？但是，如果数据不是正态分布的怎么办？

另外，所需的输出是否也必须正态分布？如果我希望前馈网络在两个类别（-1和1）之间进行分类，那将不可能标准化为均值0和std为1的正态分布吗？

前馈网是非参数的吧？因此，如果确实如此，对数据进行标准化处理是否仍然很重要？为何人们对此予以认同呢？