我正在研究用于音乐可视化的预测性TensorFlow RNN，类似于字符所见的here。例如，在标准字符RNN中，我的理解是每个字符被编码为稀疏的26长矢量。如果我要用80x80灰度图像做类似的事情，我会倾向于将其转换为6400宽的矢量。
然而，在我的情况下，在每个时间步长中，网络必须决定对象的坐标及其颜色（分类）以及具有不同数量的选项的一些其他分类属性。
例如，单个数据点可能如下所示：
[257 (1-500), 97 (1-400), 6 (1-9), 1 (0-1)]
我可以想象将这些数据转换为单个向量（4个单热矢量连接），然后在不同的时间间隔内运行softmax，但这似乎效率低下，我需要实现自定义softmax（不是世界末日） ...）。
我还可能将坐标编码为浮点数而不是稀疏矢量，并在计算整个集合的交叉熵之前将它们连接到其他稀疏矢量。
[0.514, .97, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1]
但是，我担心这会低估坐标的重要性，因为它们只代表两个数据点而不是11个分类段。
是否有更好的（内置？）方式来表示这样的数据？