数据来自几个记录。记录如下： [位向量，数值向量，一些数值]。 位向量对于每个记录具有不同的长度，并且对于数字向量也是如此。 每条记录的数值值是所有记录的常量。
输出为2个数字。它们的值（均在[0.0,1.0]范围内）用于搜索算法中的评估/适应度函数逼近。
所以，我的问题是： 如何为神经网络表示/规范化这些数据？ 特别是，是否有一种（棘手的）方式来紧凑地表示位向量？它的长度可以达到几千。
答案 0 :(得分：2)
除了少数经典问题之外，没有一种正确的方法可以将复杂数据输入NN。这是一种艺术，事实上，深度学习的最新进展在表现复杂数据方面取得了很大进展。
因此，在不知道数据性质的情况下，很难提供任何具体建议。为什么你有可变长度向量？它们代表某种序列吗？什么是位向量编码？
从纯技术角度来看，可变长度数据意味着您需要使用零填充到常量长度（最简单但通常不好）或特殊NN架构（如卷积或循环网络），并且选择将取决于数据集的性质。如果您的位向量代表一组某种二进制特征，那么每位需要一个神经元，或者您可以尝试使用自动编码器训练紧凑的实值嵌入。
要获得更有用的答案，请描述问题的性质并将问题发布到stats.stackexchange.com