我是机器学习新手，需要寻求帮助。 我想训练一个网络来预测我期望的下一个值，如下所示:
引用:[val1 val2 ... val 15]
如果不存在则val = 0，如果存在则为1。
输入:[1 1 1 0 0 0 0 0 1 1 1 0 0 0 0]
输出:[1 1 1 0 0 0 0 0 1 1 1 0 0 1 1](最后两个值出现)
所以我的神经网络将有 15 个输入和 15 个输出
我想知道是否有更好的方法来进行这种预测。我的数据也需要标准化吗？
现在的问题是，我没有 15 个值，但实际上有 600'000 个值。神经网络可以处理这么大的张量吗？我听说我需要两倍数量的隐藏层单元。
非常感谢您的帮助，机器学习专家!
最佳
最佳答案
这对于神经网络的概念来说不是问题:问题是您的计算配置和框架实现是否提供所需的内存。由于您尚未描述您的拓扑，因此我们无法帮助您确定范围。您有什么参数和重量计数？其中每一个都至少是一个短 float (4 个字节)。例如，直接 FC(全连接)层将为您提供 (6e5)^2 权重，或 3.6e11 * 4 字节 => 1.44e12 字节。是的，这使得该层的权重增加了 1.5 TB。
您可以通过您选择的 NN 风格来解决一些问题。例如，分成单独的 channel (例如，60 个 channel ，每个 channel 有 1000 个特征)可以显着节省内存，尽管代价是训练速度(更多层)以及可能的一些准确性(尽管交叉可以解决很多问题) 。卷积还可以节省整体内存，但同样以训练速度为代价。
600K => 4 => 600K
这一澄清解决了我的主要担忧:两个地方各有 600,000 * 4 权重:1,200,004 个参数和 480 万个权重。总 float 为 6M，不会对任何现代通用计算机的 RAM 造成压力。
channel 的想法是当您尝试在层之间建立更宽的连接时，例如 600K => 600K FC。在这种情况下，您可以将数据分成更小的组(通常只有 2-12 个)，并创建一堆并行的全连接流。例如，您可以获取输入并创建 10 个流，每个流都是 60K => 60K FC。在下一层中，您交换组织，“分配”每组 60K，以便 1/10 进入每个下一个 channel 。
这样，你只有 10 * 60K * 60K 权重，只有以前的 10%……但现在有 3 层。尽管如此，权重所需的内存节省了 5 倍，这就是组合爆炸的地方。
关于machine-learning - Torch - 神经网络的大输入和输出，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/37918762/