文章 "神经网络变得简单（第 84 部分）：可逆归一化（RevIN）"
ORL 优化中发生错误。
大家好
我正在运行Neural networks made easy（第 67 部分）中的代码：使用过去的经验解决新任务
我在以下方面遇到了同样的问题。
2024.04.21 18:00:01.131 Core 4 pass 0 测试时在 0:00:00.152出现错误 "OnInit returned non-zero code 1"
看起来与 "FileIsExist "命令有关。
但是，我无法解决这个问题。
您知道如何解决这个问题吗？
我正在运行Neural networks made easy（第 67 部分）中的代码：使用过去的经验解决新任务
我在以下方面遇到了同样的问题。
2024.04.21 18:00:01.131 Core 4 pass 0 测试时在 0:00:00.152出现错误 "OnInit returned non-zero code 1"
看起来与 "FileIsExist "命令有关。
但是，我无法解决这个问题。
您知道如何解决这个问题吗？
新文章 神经网络变得简单（第 84 部分）：可逆归一化（RevIN）已发布：
我们已经知晓，输入数据的预处理对于模型训练的稳定性扮演重要角色。为了在线处理 “原始” 输入数据，我们往往会用到批量归一化层。但有时我们需要一个逆过程。在本文中，我们将讨论解决该问题的可能方式之一。
当训练各种自动编码器模型时，我们就遇到了类似的问题。在这些情况下，我们找到了一种解决方案，即采用归一化后的原始数据作为目标。不过，在这种情况下，我们需要不同于输入数据的，描述环境后续状态的数据。论文《可逆实例归一化抵消精确时间序列预测中的分布移位》中提出了解决此问题的方法之一。
论文作者提议一种简单而有效的归一化和逆归一化方法：可逆实例归一化（RevIN）。该算法首先归一化输入序列，然后在模型的输出序列进行逆归一化，以便解决时间序列预测当中的分布移位相关问题。RevIN 是对称结构，按归一化层中输入数据的伸缩和移位相等量值，在逆归一化层中缩放和移位输出，从而将原始分布信息返回到模型输出。
RevIN 是一个灵活的、可训练的层，能够应用于所有任意选择的层，有效地抑制一层中的非稳态信息（实例的平均值和方差），并在近乎对称位置另一层将其恢复，例如输入和输出层。
作者：Dmitriy Gizlyk