machine-learning - 猜谜游戏的神经网络

Question

我想实现神经网络来猜测用户是否会选择正确或错误。

什么是最合适的设计？我是这些事情的新手，但我想到以下几点:

有 128 个输入，用于 128 个先前的猜测(如果你愿意的话可以记住)。

第一个输入是最新的猜测，第二个输入是之前的猜测，第三个输入是 2 圈后的猜测，依此类推。

我正在考虑隐藏 256 个节点的全连接层和用于输出的最终单层。

这就是我表示输入的方式:0 - 尚未猜测，0.5 - 猜测是错误的，1 - 猜测是正确的

这是输出的值:0 为 false，1 为 true(当输出变为输入时，我会将其转换为输入格式)

现在，我对这种设计的主要担心是输入正在移动。也就是说，第一个猜测中的第一个输入将是另一个猜测中的第二个，另一个猜测中的第三个，我担心不会有可重用性，逻辑将被重复，猜测将坚如磐石。

我的恐惧是毫无根据的吗？我应该让神经网络为我思考并完成它吗？

我记得我曾经在 youtube 上看到过一些关于神经网络中的内存来一一输入输入的内容。我这样做的方式是错误的吗？在神经网络中有特殊的内存方式吗？

如果我的设计是错误的，你会建议什么设计？

Answer 1

首先，您应该问自己为什么要使用神经网络。您是否首先尝试过更简单(参数更少)的模型，例如 Hidden Markov Models ？您是否有足够的数据来训练超出几层的网络？

假设您确定要使用神经网络，那么我们应该从头开始，即输入。您的输入是一个分类特征，因此应该以合适的方式进行编码。对这些特征进行编码的一种常见方法是 one-hot encoding 。因此，在您的情况下，您的输入将如下所示:

NYG = [1, 0, 0]
T   = [0, 1, 0]
F   = [0, 0, 1]

一旦输入数据格式化，您就可以考虑网络架构。虽然有几种方法可以解决每个问题，但听起来您可能想使用 Recurrent neural networks ，它可以根据输入序列输出分类。我建议从几个较小的 LSTM 单元层(64 个节点)开始，看看进展如何，然后您可以考虑如何从那里开始增长(如果您有足够的数据)。

我真的不能再强调你不应该直接跳入神经网络。它们可能非常有用，也可能在不需要的地方造成巨大的困惑。