我注意到H2O的文档中提到：

为了与激活函数兼容，数据会被预处理以标准化（回顾表1中对每个激活函数目标空间的总结）。由于激活函数通常不会映射到实数R的全范围，我们首先将数据标准化为从N(0,1)中抽取。网络传播后再次标准化，使我们能够在这个标准化空间中计算更精确的误差，而不是在原始特征空间中。对于自编码，数据被归一化（而不是标准化）到紧凑区间mathcalU(−0.5, 0.5)，以便像Tanh这样的有界激活函数能够更好地重构数据。

然而，我不太理解。我的印象是（这里，和这里），分类变量应该被分解为1-of-C的虚拟变量，而连续数据应该被归一化。然后，所有数据都应该标准化为[-1,1]范围。

我也没有看到如何指定读取层的神经元。我认为如果我们有一个分类输出变量，那么我们应该使用Softmax激活函数（并编码为1-of-C）/ 如果我们有一个连续输出（例如价格），那么我们将其缩放到[-1,1]并使用’tanh’ / 如果我们有一个单一二元输出，那么我们可以使用logistic并将其编码为[0,1]

回答：

对于分类和回归（即监督模式），H2O深度学习执行以下操作：

输入到第一层神经网络的确实是分类特征的1-of-C虚拟变量（0或1）。连续特征被标准化（而不是归一化）：去均值并按1/方差缩放。

对于回归，响应变量也在内部被标准化，以便（单一）输出神经元的激活值可以与之比较。然而，在评分时向用户展示时，预测值会被去标准化到原始空间。

对于分类，我们使用Softmax来获取C个类别的概率，即使是二元分类也是如此。

您引用的文档还提到了无监督自编码（通过启用自编码器标志）。在这种情况下，输入被归一化（即按1/(max-min)缩放）而不是标准化。这是为了让自编码器能够拥有完全重叠的输入和输出空间所必需的。