Tensorflow 自定义keras训练损失函数中的数据缩减

我为我的LSTM模型（RMSE函数）定义了一个自定义损失函数，如下所示：

def RMSE(y_true, y_pred):
        return K.sqrt(K.mean(K.square(y_pred - y_true)))

到目前为止，一切都很好，但问题是我将输入数据缩放到[-1,1]的范围内，因此报告的损失将与此比例相关联，我希望模型在我的原始数据范围内报告训练损失，例如，通过在y_true和y_pred上应用scaler.reverse_transform函数，但是没有运气这么做。。。因为它们是张量和定标器。逆_变换需要numpy数组

---

知道如何强制重新缩放数据并以正确的比例报告损失值吗？

scaler.inverse\u transform

基本上使用

scaler.min\u

和

scaler.scale\u

参数在

sklearn.preprocessing.minmaxscaler

中转换数据。例如：

from sklearn.preprocessing import MinMaxScaler
import numpy as np

data = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])
scaler = MinMaxScaler()
data_trans = scaler.fit_transform(data)
print('transform:\n',data_trans)

data_inverse = (data_trans - scaler.min_)/scaler.scale_
print('inverse transform:\n',data_inverse)

# print
transform:
 [[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
inverse transform:
 [[-1.   2. ]
 [-0.5  6. ]
 [ 0.  10. ]
 [ 1.  18. ]]

所以您只需要使用它们来实现RMSE函数中的目标

def RMSE_inverse(y_true, y_pred):
    y_true = (y_true - K.constant(scaler.min_)) / K.constant(scaler.scale_)
    y_pred = (y_pred - K.constant(scaler.min_)) / K.constant(scaler.scale_)
    return K.sqrt(K.mean(K.square(y_pred - y_true)))

---

您使用的是

sklearn.preprocessing.StandardScaler

？@giser\u yugang

sklearn.preprocessing.minmaxscaler