在多维数据时序预测一种数据时,对预测结果进行反归一化时,会报错,说其维数有问题,应该对其维数扩张,使其与原数据维数一致
test_x=test_x.reshape(test_x.shape[0],(step-1)*8) #把每一个小组放到一行
re_yhat=np.concatenate((yhat,test_x[:,-7:]),axis=1) #组出一个与原来相似维度的数据集
re_yhat=scaler.inverse_transform(re_yhat)
re_yhat=re_yhat[:,0] #
reshape(-1,1) #使其数据变成列排布
#(1,-1) 使其变为行排布
池化层的作用
在卷积神经网络中通常会在相邻的卷积层之间加入一个池化层,池化层可以有效的缩小参数矩阵的尺寸,从而减少最后连接层的中的参数数量。所以加入池化层可以加快计算速度和防止过拟合的作用。
池化的原理或者是过程:pooling 是在不同的通道上分开执行的(就是池化操作不改变通道数),且不需要参数控制。然后根据窗口大小进行相应的操作。 一般有max pooling 、average pooling 等。
?
?
卷积层用来提取特征,
CNN网络中前几层的卷积层参数量占比小,计算量占比大;而后面的全连接层正好相反,大部分CNN网络都具有这个特点。因此我们在进行计算加速优化时,重点放在卷积层;进行参数优化、权值裁剪时,重点放在全连接层。
?
?
|