神经网络输入/输出
有没有人能给我解释一下，怎么处理更复杂的数据集，比如团队统计、天气、骰子、复杂的数字类型？
我明白所有的数学原理和运作方式，只是不知道怎么输入这些复杂的数据，然后又该怎么读取它输出的结果。
如果有人能提供一些Python的例子，那就太好了。
4 个回答
0
更复杂的数据通常意味着在输入层和输出层增加更多的神经元。
你可以把每个“字段”都转化成一个真实的数值（比如经过标准化处理等），然后把这些数值输入到每个神经元里。或者你甚至可以把数据拆分得更细，把每个字段分成比特位，给神经元输入饱和的1或0。至于输出部分，这就要看你是怎么训练神经网络的，它会努力模仿你用来训练的那些数据的输出结果。
2
你的特征需要拆分成可以用真实数字表示的部分。神经网络的神奇之处在于，它就像一个黑箱，在训练过程中会自动找到正确的关联（通过内部的权重）。
输入
选择尽可能少的特征来准确描述情况，然后把每个特征拆分成一组真实的数字。
- 天气： [今天的温度，今天的湿度，昨天的温度，昨天的湿度...] 今天的温度和今天的湿度之间的关系会在内部建立
- 团队统计： [平均身高，平均体重，最高身高，最高得分，...]
- 骰子： 这个我不太明白，你是说如何编码离散值吗？*
- 复数： [a,ai,b,bi,...]
* 离散值特征比较复杂，但仍然可以编码为 (0.0, 1.0)。问题是它们没有提供学习阈值的梯度。
输出
你决定输出的含义，然后把你的训练示例按照这个格式编码。输出值越少，训练起来就越简单。
- 天气： [明天下雨的概率，明天的温度，...] **
- 团队统计： [获胜的概率，获胜超过20分的概率，...]
- 复数： [x,xi,...]
** 在这里，你的训练向量会是：如果第二天下雨就是1.0，如果没下雨就是0.0。
当然，问题是否真的可以用神经网络来建模是另一个问题。
3
你需要把输入和输出转换成神经网络可以理解的格式。比如说，如果你想表示“x具有某种属性p”，可以用1来表示；如果表示“x没有属性p”，就用-1来表示（前提是你的神经元的输出范围在[-1, 1]之间）。
你如何编码输入和解码输出，取决于你想让神经网络学习什么内容。
而且，不同的任务有很多种“神经网络”算法和学习规则，比如反向传播、玻尔兹曼机、自组织映射等。