Я работаю над проблемой, когда мне нужно предсказать один из нескольких выходных классов на основе данных датчика движения с использованием LSTM. Есть два разных датчика, каждый с тремя каналами и с разными единицами измерения. Для каждой записи я использую минимальную и максимальную нормализацию, чтобы привести уровни датчика амплитуды в диапазон от 0 до 1 (для каждого датчика индивидуально).
Делая это, я вижу, что при использовании нормализации моя сеть действительно быстрее сходится к конечному значению (с точки зрения точности), но производительность значительно ниже по сравнению с использованием ненормализованных данных для той же настройки сети.
Насколько я понимаю, нормализация имеет то преимущество, что помогает в обучении, но если кто-то получает преимущество в производительности, действительно ли необходимо придерживаться использования менее производительной сети, которая принимает нормализованные входные данные. Я не такой опытный и хотел бы, чтобы другие люди прокомментировали это.
Спасибо!
