python 深度神经网络 归一化后的数据还原 pytorch ,tensorflow

归一化后的数据还原是指将经过Min-Max归一化处理的数据恢复到原始的尺度。这需要使用归一化时的最小值和最大值。如果你在使用MinMaxScaler进行归一化，可以通过inverse_transform方法来还原数据。

假设你有一组归一化后的数据和一个MinMaxScaler对象，你可以按照以下步骤进行还原：

python

from sklearn.preprocessing import MinMaxScaler
import numpy as np

# 假设这是归一化后的数据
normalized_data = np.array([[0.5], [0.2], [0.9]])

# 实例化MinMaxScaler
# 注意：这里需要使用归一化时相同的feature_range
scaler = MinMaxScaler(feature_range=(0, 1))

# 假设我们知道归一化时数据的原始最小值和最大值
# 这些值通常在归一化时保存，或者从归一化的数据集中获得
original_min = np.array([10, -5.5, 3])
original_max = np.array([12, 0, 9])

# 先对MinMaxScaler进行拟合
scaler.fit(original_min.reshape(-1, 1), original_max.reshape(-1, 1))

# 还原归一化的数据
original_data = scaler.inverse_transform(normalized_data)

print(original_data)

在这个例子中，original_min和original_max是归一化之前数据的最小值和最大值。在实际应用中，你应该在归一化数据时保存这些值，以便后续还原使用。

inverse_transform方法接受归一化后的数据，并将其还原到原始的尺度。这个过程是归一化过程的逆过程，使用了之前计算的最小值和最大值。