1

我想对神经网络的预测进行非规范化。我首先标准化我的基本事实，并将其标准值和平均值保存在一个 numpy 数组中：

def norm(x):
  return ((x - x.mean()) / x.std())

norm_y_train_n = norm(y_train_n)
mean_y_train_n = y_train_n.mean
std_y_train_n = y_train_n.std

然后我训练我的网络：

history = model.fit(x_train_n, norm_y_train_n, batch_size=10, epochs=200, validation_split=0.1, shuffle=True, callbacks=[es])

我想将我的数据非规范化为原始分布，以便我可以在一个有意义的范围内解释 rmse，如下所示：

def rmse_denorm(y_true, y_pred):
    return backend.sqrt(backend.mean(backend.square((y_pred*std_y_train_n + mean_y_train_n) - (y_true*std_y_train_n+mean_y_train_n))))

但我不能，如果我尝试使用 tf.convert_to_tensor 将 numpy 值转换为张量值，如下所示：

def rmse_denorm(y_true, y_pred):
return backend.sqrt(backend.mean(backend.square((y_pred*tf.convert_to_tensor(std_y_train_n) + tf.convert_to_tensor(mean_y_train_n)) - (y_true*tf.convert_to_tensor(std_y_train_n)+tf.convert_to_tensor(mean_y_train_n)))))

我会收到这个错误：

Failed to convert object of type <class 'builtin_function_or_method'> to Tensor. Contents: <built-in method std of numpy.ndarray object at 0x7ff00811aee0>. Consider casting elements to a supported type.

如果我想转换张量值：

 def rmse_denorm(y_true, y_pred):
return backend.sqrt(backend.mean(backend.square((tf.dtypes.cast(y_pred)*std_y_train_n + mean_y_train_n) - (tf.dtypes.cast(y_true)*std_y_train_n+mean_y_train_n))))

我收到此错误：

TypeError: cast() missing 1 required positional argument: 'dtype'

我该怎么做呢？

4

1 回答 1

0

尝试创建 2 个 tf.constant：

std_const = tf.constant(std_y_train_n)
mean_const = tf.constant(mean_y_train_n)
def rmse_denorm(y_true, y_pred):
    return backend.sqrt(backend.mean(backend.square((y_pred*std_const + mean_const) - (y_true*std_const+mean_const))))
于 2019-11-07T10:32:43.133 回答