深度学习时序处理常用策略及其实现

1. 数据归一化

归一化的作用一般是加速模型的收敛，以及消除不同因素量纲带来的影响等。
1 . 对于单元素（一组数据）的归一化，最简单的，可以通过numpy模块或者pandas模块进行处理，利用np.array数组或pd序列的特性进行归一化处理。

import pandas as pd
import numpy as np

a = [1, 2, 4, 8]
# np数组形式
b = np.array(a)
v1 = b
s1 = (v1 - v1.min())/(v1.max() - v1.min())
# 序列形式
c = pd.Series(a)
v2 = c
s2 = (v2 - v2.min())/(v2.max() - v2.min())
s2 = s2.values
# 结果
pp = [0. 0.14285714 0.42857143 1. ]

简单的，当需要对模型的预测输出进行反归一化时（即输出真实预测结果）可以通过下面的代码进行操作。

p = [0.5, 0.14, 0.87]
p = np.array(p)
pp = p*(v1.max() - v1.min())+v1.min()

# 结果
pp = [4.5  1.98 7.09]