normalization

1热度

1回答

最近开发的Layer Normalization方法解决了与Batch Normalization相同的问题，但计算开销较低，并且不依赖批处理，因此可以在培训和测试期间始终如一地应用它。我的问题是，是层正常化永远比批标准化，或者还有一些情况下，批标准化是有益的？

1热度

1回答

是否需要对SVM中预测的输入向量进行归一化？

对于不同比例的输入数据，我明白用于训练分类器的值必须针对正确分类（SVM）进行归一化。那么预测的输入向量也需要归一化吗？我的场景是训练数据被规范化并序列化并保存在数据库中，当必须完成预测时，序列化的数据被反序列化以获得规范化的numpy数组，然后numpy数组适合在分类器上并且用于预测的输入向量被应用于预测。那么这个输入向量是否也需要进行归一化？如果是这样，怎么做，因为在预测时我没有实际的输入

0热度

1回答

规范化MySQL数据库在一列中有多个值

我有点卡住正常化我的数据库的想法。关于我的项目的一些信息：我使用PHP和MySQL为安全卫士创建报告工具。每个保安都有自己的登录信息，并可以创建当天的报告。该报告由这些输入：日期广场警卫工作 - 这是我的问题形势 - 这是我的问题也再就是多个输入字段中有数字将用于图表。（比如你今天扔了多少人等等）现在，守卫可以做一个报告，但是当谈到为一个报告添加更多的守卫时，我失去了理智。我已阅

0热度

1回答

关系数据库正常化

我遇到了正常化this table问题，它真的困扰我。我可以看到桌子是第一种正常形式，但从那里我卡住了。我通常的方法是通过检查每一行中关于主键的一致性来找到部分依赖关系。这个表的问题是：第一列只包含唯一的数据，所以它似乎可以用作整个表的主键。我只使用复合主键对表格进行了规格化，但在这里做这件事似乎毫无意义，因为第一列自身可以正常工作。行中没有一致性。这些屏幕都有不同的电影，这些电影有不同的价格

0热度

1回答

如何使用勺子归一化来转换为实体属性值（EAV）

我正尝试使用勺子（Pentaho数据集成）将典型行格式的数据更改为实体属性值格式。我的源数据如下：我的规范器的设置如下：而且这里的结果：为什么字符串值列中的CONDITION_START_DATE和CONDITION_STOP_DATE值不是date_value列？根据this文档字段名：字段的名称标准化类型：给一个字符串到外地进行分类。新栏位：您可以提供一个或多个应将新值传送到的

2热度

1回答

3NF中的循环依赖关系

我有一个关于规范化（3NF）的简单问题。如果我有一个被定义为一个表... 客户（用户名，名字，姓氏，年龄，性别，种族）而且用户名决定名字，姓氏，年龄，性别，种族但是...为了论证起见，我们还可以假设名字，姓氏可以用来唯一标识一个行的表，所以名字，姓氏决定用户名，年龄，性别，种族是3NF中的表，因为可以使用某些非主要属性（firstName，lastName）来确定表中的其他属性，但PK（用户

0热度

1回答

拟合半高斯曲线/标准化的数据点

所以我有数据，我可以在散点图中绘制的两份名单，因为这样的： from matplotlib import pyplot as plt x = [0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20] y = [22.4155688819,22.3936180362,22.3177538001,22.1924849792,21.77211945

0热度

1回答

整数矩阵到随机矩阵归一化

假设我有整数值的矩阵。我想使它成为随机矩阵（即矩阵中每行的总和等于1）我创建了随机矩阵，计算每行的总和并将行中的每个元素划分为行总和。 dt = pd.DataFrame(np.random.randint(0,10000,size=10000).reshape(100,100)) dt['sum_row'] = dt.sum(axis=1) for col_n in dt.columns[

0热度

1回答

keras batchnorm测试性能极差

在对训练数据进行交叉验证期间，蝙蝠chnorm的使用显着提高了性能。但是（在对整个训练集进行再训练之后），蝙蝠蛾层的存在完全破坏了该模型的推广到一个坚固的组合。这有点令人惊讶，我想知道我是否错误地执行了测试预测。没有蝙蝠技术层的推广是好的（对于我的项目目标来说不够高，但对于这样一个简单的网络来说是合理的）。我无法分享我的数据，但有人看到明显的执行错误吗？有没有应该设置为测试模式的标志？我无法在

0热度

2回答

实现在numpy的

零均值和方差为我给出一个函数的定义，请按以下步骤实现： # Problem 1 - Apply zero mean and zero variance scale to the image features def normalize(data): pass 然后提供使用numpy一个单元测试，会坚持我的成功实施编辑这不我的单元测试，但通过该课程的教师指定。 np.testin