简而言之：是否有可能让神经网络实时对用户输入作出反应？
想象一下这个小世界的游戏，其中包含接收周围环境输入的实体，并使用神经网络生成输出以实现生存。这些实体应该有某种能力来杀死和消耗另一个实体，以延长饥饿倒计时，最终导致死亡，从而尽可能长时间地生存。
一个简单的解决方案是使用遗传算法来改进神经网络并找到一组具有更高生存能力的实体（适用于这种情况）。
现在，如果用户应该能够控制一个这样的实体，那么系统会中断，因为由于他们的网络没有接受过处理用户操作的培训，他显然会超出实体。这种行为可以通过让用户多次重放游戏直到神经网络适应来实现，但这对我的目标来说是一个过于繁琐且耗时的过程。
因此我的问题：是否有可能提高神经网络的学习速度，以便他们能够足够快地对用户输入作出反应，以便用户能够感受到变化的发生？或者是否有不同的方法可以实时根据用户操作改进学习AI？
答案 0 :(得分：2)
嗯，从根本上讲，问题是，＆＃34;是的，它可以很快地操纵神经网络。＆＃34;即使使用大型NN，您也可以从根本上处理更新一组浮点数，这对现代硬件来说几乎不是一个挑战。
因此，在您的问题正文中，您会询问学习速度，但同样，在基础层面上，我们仍然在谈论浮点算法：现在更复杂地结合您的学习规则，但仍然可能比人类的感知。
所以，我认为你真正面临的问题可能是＆＃34;是否有可能实时生成培训数据？＆＃34 ;如果没有更多细节，这就很难回答。为了训练你的神经网络做得更好，有什么必要？是否有必要重新运行复杂的模拟，或者是否足以调整一些输入参数＆＃34;？
当您说您正在使用GA生成NN权重时，这让我怀疑您正在谈论更大的数据集和复杂的测试，以便创建更好的＆＃34;更好的＆＃34 ;一组基于NN的实体。那么，是否有可能在人类感知时间所有那些？这是相当困难的，特别是因为开始有意义的解决方案是在多台机器（例如，Hadoop）之间分配计算，但是开始明确地进入秒的领域，而不是毫秒。