当输入的数量可变时，如何使用神经网络？

Posted 2023-02-16

【中文标题】当输入的数量可变时，如何使用神经网络？

【英文标题】：How are neural networks used when the number of inputs could be variable?

【发布时间】：2010-12-18 11:55:59

【问题描述】：

我看到的所有神经网络示例都是针对一组固定的输入，这些输入非常适用于图像和固定长度的数据。您如何处理可变长度数据，例如句子、查询或源代码？有没有办法将可变长度的数据编码为固定长度的输入，并且仍然获得神经网络的泛化特性？

【参考方案1】：

要对不同大小的图像使用神经网络，通常会裁剪图像本身并放大或缩小比例以更好地适应网络的输入。我知道这并不能真正回答您的问题，但对于其他类型的输入，在输入上使用某种转换函数，可能会出现类似的情况？

【参考方案2】：

我去过那里，我遇到了这个问题。 ANN 是为固定特征向量长度而设计的，许多其他分类器如 KNN、SVM、贝叶斯等也是如此。 即输入层应该定义明确而不是变化，这是一个设计问题。 然而，一些研究人员选择添加零来填补缺失的空白，我个人认为这不是一个好的解决方案，因为那些零（虚值）会影响网络收敛到的权重。此外，可能还有一个以零结尾的真实信号。

ANN 不是唯一的分类器，还有更多甚至更好的分类器，例如随机森林。这个分类器被认为是研究人员中最好的，它使用少量随机特征，使用 bootstrapping 和 bagging 创建数百个决策树，这可能效果很好，所选特征的数量通常是特征向量大小的 sqrt。这些特征是随机的。每个决策树都收敛到一个解决方案，使用多数规则，然后最有可能选择的类。

另一种解决方案是使用动态时间规整 DTW，甚至更好地使用隐马尔可夫模型 HMM。

另一种解决方案是插值，插值（补偿沿小信号的缺失值）所有小信号与最大信号大小相同，插值方法包括但不限于平均，B样条，三次。 ....

另一种解决方案是使用特征提取的方法来使用最好的特征（最有特色的），这次将它们固定大小，这些方法包括PCA，LDA等。

另一种解决方案是使用特征选择（通常在特征提取之后）一种简单的方法来选择提供最佳准确度的最佳特征。

暂时就这些了，如果没有适合你的，请联系我。

【参考方案3】：

一些问题可以通过循环神经网络来解决。 例如，它适用于计算输入序列的奇偶性。

recurrent neural network for calculating parity 将只有一个输入功能。 随着时间的推移，这些比特可能会被送入其中。它的输出也反馈到隐藏层。 这允许仅使用两个隐藏单元来学习奇偶校验。

正常的前馈两层神经网络需要 2**sequence_length 隐藏单元来表示奇偶性。这个limitation holds 适用于任何只有 2 层的架构（例如 SVM）。

【讨论】：

这类似于只使用神经网络的隐马尔可夫模型吗？

它更类似于神经网络，将一些输出馈送到下一个输入。不重要的历史会随着时间的推移而被遗忘。

【参考方案4】：

我想一种方法是在输入中添加一个时间分量（循环神经网络）并将输入一次流式传输到网络中（基本上创建相当于词法分析器和解析器的神经网络）将允许输入非常大，但缺点是不一定有停止符号来分隔不同的输入序列（相当于句子中的句号）

【参考方案5】：

您通常会从数据中提取特征并将其提供给网络。不建议只获取一些数据并将其提供给网络。在实践中，预处理和选择正确的特征将决定你的成功和神经网络的性能。不幸的是，恕我直言，这需要经验才能培养出一种感觉，而且这不是任何人可以从书本中学到的。

总结：“垃圾进，垃圾出”

【讨论】：

您希望神经网络提取特征并将其提供给另一个网络进行分类/解释的情况如何。或者您希望网络从一组示例中学习语法。在这两种情况下，网络都需要处理可变长度的数据集。

有时你想要一个双向关联内存，而要关联的项目的大小是不同的。 （人名，人像）

【参考方案6】：

我不完全确定，但我想说，使用最大输入数（例如，对于单词，假设没有单词会超过 45 个字符（根据***在字典中找到的最长单词），并且如果遇到较短的单词，请将其他输入设置为空白字符。

或者对于二进制数据，将其设置为 0。这种方法的唯一问题是，如果一个填充有空白字符/零/任何内容的输入与一个有效的全长输入相冲突（与其说是单词的问题，不如说是数）。