conv()函数（conv函数是怎样计算的）

科技前沿 • 2025-05-14 08:10 • 阅读 45

大家好，我是讯享网，很高兴认识大家。

１）把数据变成(０，１)之间的小数

２）把有量纲表达式变成无量纲表达式

归一化算法有：

1.线性转换

　　     y=(x-MinValue)/(MaxValue-MinValue

２.对数函数转换：

      y=log10(x)

３.反余切函数转换

      y=atan(x)2/PI

４.线性也与对数函数结合

      式(1)将输入值换算为[-1,1]区间的值，

      在输出层用式(2)换算回初始值，其中和分别表示训练样本集中负荷的最大值和最小值。

 

１）把数据按比例缩放，使之落入一个小的空间里

 

１.最小－最大规范化(线性变换)

      y=( (x-MinValue) / (MaxValue-MinValue) )(new_MaxValue-new_MinValue)+new_minValue

 

2.z-score规范化(或零－均值规范化)

　y=(x-X的平均值)／X的标准差

优点：当X的最大值和最小值未知，或孤立点左右了最大－最小规范化时，　该方法有用

３.小数定标规范化：通过移动X的小数位置来进行规范化

　y= x/10的j次方　　(其中,j使得Max(|y|) <1的最小整数

４.对数Logistic模式：

      新数据=1/（1+e^(-原数据)）

５.模糊量化模式：

新数据=¹⁄₂+1/2sin[派3.1415/（极大值-极小值）

      （X-（极大值-极小值）/2）       X为原数据

示例　(摘自网上)：

例1：DVD分发问题中满意度的量化

   现有20种DVD要分发给100个会员，规定如果要向某人发放DVD，则一次发给3张，问如何对这些DVD进行分配，才能使会员获得最大的满意度？

注：表中的数字越小表示会员的偏爱程度越高，数字0表示对应的DVD当前不在会员的订单中。

解：我们考虑三种方法进行变换，然后对它们进行比较。

数据归一化对深度学习的意义_算法

数据归一化对深度学习的意义_归一化_02

（3）   利用模糊数学中的隶属函数的概念，选取合适的函数，对满意度进行量化:

数据归一化对深度学习的意义_算法_03

结论：方法1可行；方法2不太可取；方法3可行。

注意：无论采用哪一种方法，对每一个会员的满度度均需要作归一化处理，

使得每一个会员对选中的DVD的满意度之和等于1，

（算出的每人的满意度或综合满意度都应该介于0-1之间）。