machine-learning - 具有不同输入和输出大小的神经网络
问题描述
有没有办法设计一个神经网络,如果我在每个长度为 n 的 x (输入)和 y (输出)数据集数组上训练它,那么如果给定的输入长度为 m 且具有预期输出,它甚至可以预测输出长度也为 m?使得 m ≠ n。
我目前的设置是我从 Sci kit 训练一个 MLP 回归器,并在给定长度为 n 的输入 x 时使用它预测数组,与训练集相同。但是,使用相同的预测器,当输入的长度比训练集长或短时,我希望能够预测数组。如果有办法实现这一点,我们将不胜感激。
解决方案
这是文本应用(NLP)中的一个经典问题,你应该朝着这个方向进行研究。例如:
-您可以使用填充:选择长度 N>n,m。然后在每个训练集实例的末尾添加零,直到它们的大小为 N。在推理期间,您可以向实例添加 0,直到它们的大小为 N,这样任何大小为 [0,N] 的输入都被覆盖。
- 您可以使用适用于任何输入长度的 LSTM(reccurent newtork)。
...
推荐阅读
- amazon-web-services - AWS iam 模拟主体策略输出错误分析器
- javascript - 将 keyCode 事件添加到 javascript 计算器
- html - 为什么我的文本会显示在导航栏后面?HTML/CSS
- vue.js - vue 3 与 jsx,但 h 或 this.$createElement 不是函数
- css - CanvasJS 覆盖标题栏
- javascript - 一个功能中的两个捕获
- python - 缺少爬网程序结果
- wso2 - WSO2 APIM 标头架构验证
- c++ - pragma push/pop_macro 指令堆栈是否对每个宏都是唯一的?
- android - 使用 appbarlayout 在 Scrollview 中固定 tablayout