0

我很好奇神经网络（或特别是神经实验室）是否需要目标/输入数据为 [-1:1]？

鉴于以下输入，我正在尝试训练一个网络来预测我的菜园的水分蒸发：

  • 温度（℃），
  • 气压计 (mbar),
  • 降水量（毫米），
  • 风 (m/s) 和
  • 初始土壤水分（%），

其中每行数据代表 1 小时。

训练数据只是在一小时结束时测量的三角洲土壤湿度 (%)。我已经收集了大约 1020 个数据样本——也许这还不够？

所有这些值都在 -1:1 的范围之外（温度变为 -5，气压计变为 1040）。我对神经网络完全一无所知，并且只阅读了一些内容并进行了自学，但我希望使用更大的数字应该没问题？

代码：

in_min_max = [
    [0, 100],       # initial soil humidity
    [950, 1050],    # hpa
    [0, 40],        # precip_mm
    [0, 100],       # wind_mps,
    [-5, 40]        # temp
]
# Create net with 5 inputs and 3 hidden, 1 output neuron
net = nl.net.newff(in_min_max, [5, 1])
net.trainf = nl.train.train_gd
error = net.train(i_data, t_data, epochs=500, show=100, goal=0.01)
print error

输出：

Epoch: 100; Error: 27215.4999985;
Epoch: 200; Error: 27215.4999985;
Epoch: 300; Error: 27215.4999985;
Epoch: 400; Error: 27215.4999985;
Epoch: 500; Error: 27215.4999985;
The maximum number of train epochs is reached
[26831.39953304854, 27190.818210734968, 26736.57181692442, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.499998465435, 27215.49999846543, 27215.49999846543, 27215.499998465435, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465428, 27215.499998465424, 27215.499998465428, 27215.499998465424, 27215.49999846542, 27215.49999846542, 27215.499998465424, 27215.499998465424, 27215.499998465424, 27215.499998465424, 27215.49999846542, 27215.499998465424, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.49999846542, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.499998465413, 27215.49999846541, 27215.49999846541, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465406, 27215.499998465402, 27215.499998465402, 27215.499998465402, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.4999984654, 27215.499998465395, 27215.499998465395, 27215.499998465395, 27215.499998465395, 27215.499998465395, 27215.499998465395, 27215.499998465395, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.49999846539, 27215.499998465388, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.499998465384, 27215.49999846538, 27215.49999846538, 27215.49999846538, 27215.49999846538, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465377, 27215.499998465373, 27215.499998465373, 27215.499998465373, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.49999846537, 27215.499998465366, 27215.499998465366, 27215.499998465366, 27215.499998465366, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.499998465362, 27215.49999846536, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465355, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465348, 27215.499998465344, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.49999846534, 27215.499998465337, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.499998465333, 27215.49999846533, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.499998465326, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846532, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.49999846531, 27215.499998465308, 27215.49999846531, 27215.49999846531, 27215.499998465308, 27215.499998465308, 27215.499998465308, 27215.499998465308, 27215.499998465304, 27215.499998465308, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.499998465304, 27215.4999984653, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465297, 27215.499998465293, 27215.499998465293, 27215.499998465293, 27215.499998465293, 27215.499998465293, 27215.499998465293, 27215.49999846529, 27215.49999846529, 27215.49999846529, 27215.49999846529, 27215.49999846529, 27215.49999846529, 27215.49999846529, 27215.499998465286, 27215.49999846529, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465286, 27215.499998465282, 27215.499998465282, 27215.499998465282, 27215.499998465282, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.49999846528, 27215.499998465275, 27215.499998465275, 27215.499998465275, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.49999846527, 27215.499998465268, 27215.49999846527, 27215.49999846527, 27215.499998465268, 27215.49999846527, 27215.49999846527, 27215.499998465268, 27215.499998465264, 27215.499998465268, 27215.499998465268, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465264, 27215.499998465257, 27215.49999846526, 27215.49999846526, 27215.49999846526, 27215.49999846526, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465257, 27215.499998465253, 27215.499998465253, 27215.499998465253, 27215.49999846525, 27215.499998465253, 27215.499998465253, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.49999846525, 27215.499998465246, 27215.49999846525, 27215.499998465246, 27215.49999846525, 27215.499998465242, 27215.499998465242, 27215.499998465242, 27215.499998465242, 27215.499998465242, 27215.499998465242, 27215.499998465242, 27215.49999846524, 27215.499998465242, 27215.499998465242, 27215.499998465242, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.49999846524, 27215.499998465235, 27215.499998465235, 27215.499998465235, 27215.499998465235, 27215.499998465235, 27215.499998465235, 27215.499998465235, 27215.49999846523, 27215.49999846523, 27215.49999846523, 27215.49999846523, 27215.499998465228, 27215.49999846523, 27215.49999846523, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465228, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.499998465224, 27215.49999846522, 27215.49999846522, 27215.49999846522, 27215.49999846522, 27215.499998465217, 27215.499998465217, 27215.499998465217, 27215.499998465217, 27215.499998465217, 27215.499998465213, 27215.499998465217, 27215.499998465217, 27215.499998465217, 27215.499998465213, 27215.499998465213, 27215.499998465213, 27215.499998465213, 27215.499998465213, 27215.499998465213, 27215.499998465213, 27215.499998465213, 27215.49999846521, 27215.49999846521, 27215.49999846521, 27215.49999846521, 27215.499998465206, 27215.499998465206, 27215.499998465206, 27215.499998465206, 27215.499998465206, 27215.499998465206, 27215.499998465206, 27215.499998465206, 27215.499998465202, 27215.499998465202, 27215.499998465202, 27215.499998465202, 27215.499998465202]

如果这有帮助，我也可以发布输入/目标数据，但我认为我需要先了解基础知识 - 我可能使用完全错误的网络来完成此类任务。感谢任何帮助/指针。

我不需要一个超精确的预测网络，因为这只会用来灌溉我的菜园，但我认为 27215 的错误会给我带来麻烦。

4

0 回答 0