imagens_treino / 255 - Dúvida

Olá Bruno.

Encontrei essa discussão, onde o pessoal conclui que sim, devemos fazer a normalização também nos dados de teste. Isso porque o modelo aprendeu com os dados na escala normalizada, então ele terá mais qualidade em entender os dados que estão na mesma escala.

Executei os testes abaixo para verificar essa diferença:

• Sem a normalização

  perda_teste, acuracia_teste = modelo.evaluate(imagens_teste, identificacoes_teste)
  print('Perda do teste:', perda_teste)
  print('Acurácia do teste:', acuracia_teste*100)

  Resultado:

  10000/10000 [==============================] - 1s 56us/sample - loss: 59.8635 - accuracy: 0.8354
  Perda do teste: 59.863451587202846
  Acurácia do teste: 83.53999853134155

• Com a normalização

  perda_teste, acuracia_teste = modelo.evaluate(imagens_teste/float(255), identificacoes_teste)
  print('Perda do teste:', perda_teste)
  print('Acurácia do teste:', acuracia_teste*100)

  Resultado

  10000/10000 [==============================] - 1s 61us/sample - loss: 0.3502 - accuracy: 0.8735
  Perda do teste: 0.35019372746944427
  Acurácia do teste: 87.34999895095825

Fez uma grande diferença no valor de perda e uma diferença considerável na precisão do teste. Então recomendo que sim, que faça também a normalização dos dados antes de colocar eles no modelo para executar o teste.

Bons Estudos.

Tudo bem, Igor?!

A professora não havia feito a normalização nos dados de teste.

Tenho feito os testes e o que encontro é resultados melhores com a normalização, cerca de 5%, perdas não tem diferenças grandes como estas e o consumo de cpu, ram e gpu foram 30% superior, em média.

O que imagino, e estive pesquisando é que tanto a normalização, quanto a padronização, log etc... terão mais efeitos quando há diferenças mais abruptas de uma variável para outra.

Gosto de ir fazendo vários testes para ver o comportamento dos modelos.

Li o link que deixou, além dele achei esse outro que achei também interessante. normalização

Abraço!