Нейронная сеть ввода / вывода

Question

Может кто-нибудь объяснить мне, как делать более сложные наборы данных, такие как статистика команды, погода, игральные кости, типы комплексных чисел

Я понимаю всю математику и то, как все работает. Я просто не знаю, как вводить более сложные данные, а затем как читать данные, которые он выплевывает

если бы кто-то мог привести примеры на python, это было бы большой помощью

Answer 1

Вы должны закодировать ваш вход и выход во что-то, что может быть представлено единицами 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 декодирования выходных данных зависит от того, для чего вы хотите обучить нейронную сеть.

Кроме того, существует множество алгоритмов "нейронных сетей" и правил обучения для различных задач (обратное распространение, машины Больцмана, самоорганизующиеся карты).

Answer 2

Ваши функции должны быть разбиты на части, которые могут быть представлены в виде действительных чисел. Волшебство нейронной сети - это черный ящик, правильные ассоциации будут сделаны (с внутренними весами) во время тренировки

---

Входы

Выберите столько функций, сколько необходимо для точного описания ситуации, а затем разбейте каждую на набор вещественных чисел.

• Погода: [температура сегодня, влажность сегодня, температура вчера, влажность вчера ...] связь между сегодняшней температурой и сегодняшней влажностью устанавливается внутри
• Статистика команды: [средний рост, средний вес, максимальный рост, высший балл, ...]
• Dice: не уверен, что я понимаю это, вы имеете в виду, как кодировать дискретные значения? *
• Комплексный номер: [a, ai , b, bi , ...]

* Дискретные объекты сложны, но все еще могут быть закодированы как (0.0,1.0). Проблема в том, что они не обеспечивают градиент для изучения порога.

---

Выходы

Вы сами решаете, что вы хотите, чтобы вывод означал, а затем кодировали свои обучающие примеры в этом формате. Чем меньше выходных значений, тем легче обучаться.

• Погода: [завтра вероятность дождя, завтра температура, ...] **
• Командная статистика: [шанс выиграть, шанс выиграть более чем на 20, ...]
• Комплексный номер: [x, xi , ...]

** Здесь ваши тренировочные векторы будут: 1,0, если на следующий день будет дождь, 0,0, если нет

---

Конечно, может ли проблема на самом деле моделироваться нейронной сетью - это другой вопрос.

Answer 3

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 одна единица вывода.

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.

Другим аспектом кодирования является то, что вы должны оценить количество входных и скрытых единиц в зависимости от количества 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.

Answer 4

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

Вы можете подавать каждое «поле» вашего регистра, должным образом закодированное как действительное значение (нормализованное и т. Д.), Каждому входному нейрону, или, возможно, вы можете даже еще больше разложить на битовые поля, назначив насыщенные входы 1 или 0 для нейронов ... для вывода, это зависит от того, как вы тренируете нейронную сеть, она будет пытаться имитировать выходы обучающего набора.