我目前正在构建一个神经网络来预测诸如温度的特征。因此，输出可以是正值或负值。我对输入数据进行了归一化处理，并且在每个隐藏层中使用了tanh激活函数。

我应该在输出层使用线性激活函数来获得无界连续输出，还是应该在输出层使用tanh然后对输出进行反归一化处理？能否有人解释一下，我觉得我的理解可能不对。

回答：

你实际上是走在正确的方向上的

选项1：

你需要先归一化温度，然后将其输入到模型中。假设你的温度范围在[-100,100]之间，将其转换为[-1,1]的范围，然后在你的目标变量中使用这个缩放后的温度值。

在预测时，只需对输出进行反转换，你就会得到你想要的结果。

选项2：

你可以构建一个回归类型的神经网络，并且不对输出层应用任何激活函数（意味着值没有限制，可以是正值或负值）。在这种情况下，你不需要归一化这些值。

示例神经网络规格：

输入层==> 每个特征一个神经元

隐藏层==>使用relu/selu作为激活函数| 神经元数量/隐藏层数量根据你的需求设定

输出层==> 1个神经元/不需要激活函数