Umformung Eingänge, die kontinuierliche und diskrete Werte enthalten

Question

Die Eingänge, die ich verwende, sind 2xN, wobei die erste 1xN-Reihe fortlaufende Zahlen sind und die zweite 1xN-Reihe diskrete Zahlen (die eine bestimmte Klasse von 7 möglichen Klassen codiert). Ich erwarte, dass es eine Beziehung zwischen vertikal benachbarten Paaren gibt.

Ich suche ein neuronales Netz für einen Multi-Class-Klassifikator an diesem Eingang, bin aber unsicher, wie ich meine Daten für die Weiterleitung in einer Weise umformen soll, die sinnvoll ist.

Was ist ein praktikabler Weg, um meine Daten in 1x2N forward propagation umzugestalten, die Sinn macht?

edit:

Beispiel Eingabe:

input_features = [[99.3, 22.1, 41.7], [1, 3, 4]] 

Answer 1

Wenn Sie etwas mehr als weiß „es könnte eine Art von Beziehung sein“, sollten Sie nur das Array glätten und als Vektor passieren - NN kann (in der Theorie) solche Tatsachen selbst finden (genügend Daten gegeben).

Was sind die anderen Optionen? Wenn Sie vermuten, dass es eine einzige Beziehung gibt, so dass es für jede einzelne Spalte gilt, dann möchten Sie vielleicht ein spezifisches neuronales Netz konstruieren. Eine Option ist eine Faltung der Größe 2x1 (einzelne Spalte) in der Eingabeschicht. Auf der anderen Seite - wenn Sie genügend große Kernel erstellen, können Sie auch komplexere Beziehungen modellieren. In diesem Fall - lass es als Matrix (denke darüber als Bild). Mit diskreten Werten ist nichts falsch, solange sie im vernünftigen Maßstab sind.

Im Allgemeinen - Sie werden tatsächlich nur mit bestimmten Verdrahtung des Netzes arbeiten, nicht Umformung eines Arrays (jedoch Implementierungen von Conv-Netzen tatsächlich Form verwenden, um die Arbeit für Sie zu tun, wie beschrieben).