网站怎样做百度推广,郑州seo顾问热狗网,wordpress媒体大小,兴宁市住房和城乡建设部网站数据预处理是深度学习中非常重要的一步#xff01;如果说原始数据的获得#xff0c;是深度学习中最重要的一步#xff0c;那么获得原始数据之后对它的预处理更是重要的一部分。 一般来说#xff0c;算法的好坏一定程度上和数据是否归一化#xff0c;是否白化有关。 数据归…
数据预处理是深度学习中非常重要的一步如果说原始数据的获得是深度学习中最重要的一步那么获得原始数据之后对它的预处理更是重要的一部分。 一般来说算法的好坏一定程度上和数据是否归一化是否白化有关。 数据归一化 数据预处理中标准的第一步是数据归一化。虽然这里有一系列可行的方法但是这一步通常是根据数据的具体情况而明确选择的。特征归一化常用的方法包含如下几种
1.样本尺度归一化简单缩放对数据的每一个维度的值进行重新调节使其在 [0,1]或[-1,1] 的区间内。例子:在处理自然图像时我们获得的像素值在 [0,255] 区间中常用的处理是将这些像素值除以 255使它们缩放到 [0,1] 中.
2.逐样本均值消减(也称为移除直流分量)在每个样本上减去数据的统计平均值用于平稳的数据即数据每一个维度的统计都服从相同分布)对图像一般只用在灰度图上。
3.特征标准化(使数据集中所有特征都具有零均值和单位方差) 首先计算每一个维度上数据的均值使用全体数据计算之后在每一个维度上都减去该均值然后在数据的每一维度上除以该维度上数据的标准差。数据尺度归一化的原因是
(1) 数据中每个维度表示的意义不同所以有可能导致该维度的变化范围不同因此有必要将他们都归一化到一个固定的范围一般情况下是归一化到[0 1]或者[-1 1]。 (2) 这种数据归一化还有一个好处是对后续的一些默认参数比如白化操作不需要重新过大的更改。
逐样本的均值相减
(1) 主要应用在那些具有稳定性的数据集中也就是那些数据的每个维度间的统计性质是一样的。 比如说在自然图片中这样就可以减小图片中亮度对数据的影响因为我们一般很少用到亮度这个信息。 (2) 不过逐样本的均值相减这只适用于一般的灰度图在rgb等色彩图中由于不同通道不具备统计性质相同性所以基本不会常用。
在数据的每个维度的统计性质是一样的时候。对于图像来说就是对图像的照度并不感兴趣而更多地关注其内容这时对每个数据点移除像素的均值是有意义的这时可以逐样本均值消减它一般只适用于灰度图。
彩色图像不能“逐样本均值消减”它的归一化方法及原因见 UFLDL教程: Exercise:Learning color features with Sparse Autoencoders 即“每一维0均值化”进行预处理。
特征标准化
特征标准化是指对数据的每一维进行均值化和方差相等化。这在很多机器学习的算法中都非常重要比如SVM等。 数据白化 PCA白化、ZCA白化。重点是规则化项 epsilon的选择。
数据的白化是在数据归一化之后进行的。实践证明很多deep learning算法性能提高都要依赖于数据的白化。
在对数据进行白化前要求先对数据进行特征零均值化。这保证了 在数据白化过程中最主要的还是参数epsilon的选择因为这个参数的选择对deep learning的结果起着至关重要的作用。
在基于重构的模型中比如说常见的RBMSparse coding, autoencoder都属于这一类因为他们基本上都是重构输入数据通常是选择一个适当的epsilon值使得能够对输入数据进行低通滤波。
但是何谓适当的epsilon呢 epsilon太小则起不到过滤效果会引入很多噪声而且基于重构的模型又要去拟合这些噪声 epsilon太大则又对元素数据有过大的模糊 一般的方法是画出变化后数据的特征值分布图如果那些小的特征值基本都接近0则此时的epsilon是比较合理的。
如下图所示让那个长长的尾巴接近于x轴。该图的横坐标表示的是第几个特征值因为已经将数据集的特征值从大到小排序过。 epsilon的选择方法 a.以图形方式画出数据的特征值 b.选取大于大多数较小的、反映数据中噪声的特征值作为 epsilon 实用技巧
如果数据已被缩放到合理范围(如[0,1])可以从epsilon 0.01或epsilon 0.1开始调节epsilon。
基于正交化的ICA模型中应该保持参数epsilon尽量小因为这类模型需要对学习到的特征做正交化以解除不同维度之间的相关性。 参考文献 Deep learning三十(关于数据预处理的相关技巧)
Deep Learning 11_深度学习UFLDL教程数据预处理斯坦福大学深度学习教程
数据预处理
