Neuronales Netzwerkdesign, wenn die Anzahl der Eingangsneuronen variiert

7

Ich möchte ein neuronales Netzwerk entwerfen, das vorhersagen kann, welcher Läufer in einem Sportspiel gewinnt, wobei die Anzahl der Läufer zwischen 2 und 10 variiert. In jedem Fall würden spezifische Daten über die einzelnen Läufer in das neuronale Netzwerk eingespeist.

Welches Design wäre für ein solches neuronales Netzwerk am vorteilhaftesten?

Im Wesentlichen ist dies ein Ranking-Problem, bei dem die Anzahl der Ein- und Ausgänge variabel ist.

recurrent-neural-networks Nickpick
quelle
Downvoter offenbaren Sie, was ist das Problem mit dieser Frage?
Nickpick
+1 Hallo @nickpick, kannst du ein wenig erklären, was du mit "spezifische Daten über die einzelnen Läufer würden in das neuronale Netzwerk eingespeist" meinst. ? Können Sie ein oder zwei Beispiele nennen? Ps, ich bin nicht der / die Down-Wähler :)
Tshilidzi Mudau
Zum Beispiel Gewicht, Durchschnittsgeschwindigkeit in früheren Rennen, Höhe, Nationalität usw.
Nickpick
1
@nickpick ja, es ist ein Problem auf dieser Website - ai.meta.stackexchange.com/questions/1313/…
Maxim
1
Willkommen bei AI. Ich bin froh, dass diese Frage mehrere positive Stimmen erhalten hat!
DukeZhou

Antworten:

2

Die beste Option in Ihrem Fall wäre wahrscheinlich Nullpolsterung oder Polsterung. Dies bedeutet einfach, Eingaben für Fälle auf Null zu setzen, in denen keine Daten vorhanden sind. Es wird viel an den Grenzen von Bildern für CNNs getan.

Das oder Sie könnten einfach eine RNN verwenden, die Ihre Eingaben mit variabler Länge problemlos verarbeiten kann.

hisairnessag3
quelle
Aber kann die Anzahl der Ausgangsneuronen in Abhängigkeit davon variieren, wie viele Eingaben in einem RNN vorgenommen werden? Dies wäre notwendig, um die einzelnen Läufer einzustufen.
Nickpick
Ja, RNNs können auch Ausgaben mit variabler Länge verarbeiten.
hisairnessag3
Gibt es Beispiele oder Dokumentationen? Ich benutze Keras
Nickpick
1
Keras Docs auf RNNs: keras.io/layers/recurrent Github-Problem zu diesem Thema für Keras: github.com/fchollet/keras/issues/40
hisairnessag3