Ввод/ вывод нейронной сети

Question

Кто-нибудь может объяснить мне, как создавать более сложные наборы данных, такие как статистика команды, погода, кости, типы комплексных чисел

я понимаю всю математику и как все работает, я просто не знаю, как вводить более сложные данные, а затем как читать данные, которые они выдают

если бы кто-нибудь мог привести примеры на python, это было бы большим подспорьем

Answer 1

Вы должны кодировать свои входные и выходные данные во что-то, что может быть представлено элементами нейронной сети. (например, 1 для «x» имеет определенное свойство p »-« -1 »для« x не имеет свойства p », если диапазон ваших единиц находится в [-1, 1])

Способ кодирования входных данных и способ их декодирования зависят от того, для чего вы хотите обучить нейронную сеть.

Кроме того, существует множество «нейронных сетей». алгоритмы и правила обучения для различных задач (обратное распространение, машины Больцмана, самоорганизующиеся карты).

Answer 2

Ваши объекты должны быть разложены на части, которые могут быть представлены в виде действительных чисел.Магия нейронной сети в том, что это черный ящик, во время обучения будут созданы правильные ассоциации (с внутренними весами)

---

Входные данные

Выберите столько признаков, сколько необходимо для точного описания ситуации, затем разложите каждый из них на набор действительных чисел.

• Погода:[температура сегодня, влажность сегодня, температура вчера, влажность вчера...] связь между сегодняшней температурой и сегодняшней влажностью устанавливается внутри компании
• Статистика команды:[рост аве, вес аве, максимальный рост, высший балл, ...]
• Игральные кости: не уверен, что я это понимаю, вы имеете в виду, как кодировать дискретные значения?*
• Комплексное число:[а,искусственный интеллект,б,би,...]

* Дискретнозначные объекты сложны, но все равно могут быть закодированы как (0.0,1.0).Проблема в том, что они не предоставляют градиент для определения порога.

---

Результаты

Вы решаете, что должны означать выходные данные, а затем кодируете свои обучающие примеры в этом формате.Чем меньше выходных значений, тем легче тренироваться.

• Погода:[завтрашний дождь, завтрашняя температура...] **
• Статистика команды:[шанс на победу, шанс на победу более чем на 20,...]
• Комплексное число:[x,xi,...]

** Здесь ваш Обучение векторы были бы:1,0, если на следующий день шел дождь, 0,0, если его не было

---

Конечно, действительно ли проблема может быть смоделирована с помощью нейронной сети - это другой вопрос.

Answer 3

Более сложные данные обычно означают добавление большего количества нейронов во входной и выходной слои.

Вы можете кормить каждое " поле " вашего регистра, должным образом закодированный как действительное значение (нормализованное и т. д.) для каждого входного нейрона, или, может быть, вы даже можете разложить еще дальше в битовые поля, назначив насыщенные входы 1 или 0 для нейронов ... для выхода, это зависит от того, как вы обучаете нейронную сеть, она будет пытаться имитировать выходные данные обучающего набора.

Answer 4

Вы должны добавить количество единиц для ввода и вывода, необходимое для решения проблемы. Если неизвестная функция для аппроксимации зависит от параметра n , у вас будет n входных единиц. Количество выходных единиц зависит от характера функции. Для реальных функций с n реальными параметрами у вас будет один выходной блок.

Некоторые проблемы, например, при прогнозировании временных рядов, у вас будет m выходных единиц для m последовательных значений функции. Кодировка важна и зависит от выбранного алгоритма. Например, в обратном распространении для сетей с прямой связью лучше преобразовать, если это возможно, большее количество элементов в дискретных входах, как для задач классификации.

Другой аспект кодирования заключается в том, что вы должны оценить количество входных и скрытых единиц в зависимости от объема данных. Слишком много единиц, связанных с данными, может дать плохую аппроксимацию из-за проблемы размерности курса. В некоторых случаях вы можете каким-то образом объединять некоторые входные данные, чтобы избежать этой проблемы, или использовать какой-либо механизм сокращения как PCA.