machine-learning - 神经网络如何学习具有可变数量输入的函数？

Question

已关闭。此问题不符合 Stack Overflow guidelines 。目前不接受答案。

---

这个问题似乎与 help center 中定义的范围内的编程无关。 .

去年关闭。

Improve this question

一个简单的例子:给定一个输入序列，我希望神经网络输出序列的中值。问题是，如果神经网络学会了计算 n 个输入的中值，那么它如何计算更多输入的中值呢？我知道循环神经网络可以学习序列上的 max 和 parity 等函数，但计算这些函数只需要恒定的内存。如果内存需求随着输入大小的增加而增加(例如计算中位数)怎么办？

这是关于 How are neural networks used when the number of inputs could be variable? 的后续问题.

Answer 1

我的一个想法如下:将每个权重视为输入数量的函数，而不是固定值。所以一个权重可能有很多定义函数的参数，我们训练这些参数。例如，如果我们希望神经网络计算 n 个输入的平均值，我们希望每个权重函数的行为类似于 1/n。同样，平均值本身可以使用循环神经网络或隐马尔可夫模型来计算，但我希望这种方法可以推广到解决内存需求增长的某些问题。