machine-learning - 循环神经网络可以一次学习略有不同的序列吗？

Question

可以使用循环神经网络来学习变化略有不同的序列吗？例如，如果我有足够的训练数据，我是否可以训练一个 RNN，以便它可以生成一系列连续整数或替代整数？

例如，如果我使用以下方法进行训练

1,2,3,4
2,3,4,5
3,4,5,6

等等并使用

训练相同的网络

1,3,5,7
2,4,6,8
3,5,7,9

等等，我能够成功预测测试集的两个序列吗？

如果我的训练数据有更多变化，例如每三个整数或每四个整数的序列等，该怎么办？

Answer 1

是的，只要序列中有足够的信息，就不会有歧义，神经网络应该能够学习正确地完成这些序列。

不过，您应该注意一些细节:

• 神经网络和一般的机器学习模型不擅长外推。一般来说，简单的网络不太可能了解序列。它永远不会像 child 那样快速学习序列逻辑的概念。因此，如果您输入超出其经验的测试数据(例如，当项目不在训练数据中时，项目之间的步骤为 3)，它将表现不佳。

• 神经网络更喜欢缩放输入 - 常见的预处理步骤是将每个输入列标准化为均值 0 标准差 1。虽然网络可以接受更大范围的输入数字，但这会降低训练的有效性。借助生成的训练集(例如人工数字序列)，您可以通过使用更多示例进行更长时间的训练来强制完成该任务。

• 您将需要更多的神经元和更多的层来支持更大的序列变化。

• 对于 RNN，如果迄今为止处理的序列不明确，它的预测效果会很差。例如。如果您使用相同数量的样本训练 1,2,3,4 和 1,2,3,5，当显示序列 1 时，它将预测 4.5(用于回归)或 50% 的机会 4 或 5(用于分类器)， 2,3 并要求预测。