我见过的神经网络的所有示例都是针对一组固定的输入，这对于图像和固定长度的数据非常有效。您如何处理可变长度数据，例如句子、查询或源代码？有没有一种方法可以将可变长度数据编码为固定长度输入，并且仍然获得神经网络的泛化特性？
最佳答案
我也遇到过这个问题。 ANN 是为固定特征向量长度而设计的，许多其他分类器也是如此，例如 KNN、SVM、贝叶斯等。 即输入层应该明确定义并且不变化，这是一个设计问题。 然而，一些研究人员选择添加零来填补缺失的空白，我个人认为这不是一个好的解决方案，因为这些零(虚值)会影响网络收敛到的权重。此外，可能存在以零结尾的真实信号。
ANN 不是唯一的分类器，还有更多甚至更好的分类器，例如随机森林。这个分类器被认为是研究人员中最好的，它使用少量的随机特征，使用引导装袋创建数百个决策树，这可能效果很好，所选特征的数量通常是特征向量大小的平方根。这些特征是随机的。每个决策树都会收敛到一个解决方案，使用多数规则选择最有可能的类别。
另一种解决方案是使用动态时间规整DTW，甚至更好的是使用隐马尔可夫模型HMM。
另一种解决方案是插值，将所有小信号插值(补偿沿小信号的缺失值)使其与最大信号大小相同，插值方法包括但不限于平均、B样条、三次插值。 ....
另一种解决方案是使用特征提取方法来使用最好的特征(最有特色的)，这次将它们固定大小，这些方法包括PCA、LDA等。
另一种解决方案是使用特征选择(通常在特征提取之后)，这是一种选择可提供最佳准确度的最佳特征的简单方法。
目前就这些，如果这些都不适合您，请与我联系。
关于artificial-intelligence - 当输入数量可变时如何使用神经网络？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/1766461/