Question

我有一个问题，并且想知道我是否可以使用深度学习来解决它。我有7个功能的列表，每个列表我有7个分数。

有关功能的示例：

[0.2,0.6,0.2,0.6,0.1,0.3,0.1]

我有以下分数：

[100,0,123,2,14,15,2]

以及功能：

[0.1,0.2,0.3,0.6,0.5,0.1,0.2]

我有以下分数：

[10,10,13,22,4,135,22]

等。

任何关于如何利用深度学习来训练提供功能列表的网络的想法都会让我得到正确的分数。

由于

Answer 1

您可以在此处获得回归问题的基本设置。您可以尝试使用神经网络工具包解决此问题。我写了一个名为theanets的工具包可能有所帮助，所以我将举一个如何使用它的简单示例：

import numpy as np
import theanets

# set up data arrays: X is input, Y is target output
X = np.array([
    [0.2,0.6,0.2,0.6,0.1,0.3,0.1],
    [0.1,0.2,0.3,0.6,0.5,0.1,0.2],
], 'f')
Y = np.array([
    [100,0,123,2,14,15,2],
    [10,10,13,22,4,135,22],
], 'f')

# set up a regression model:
# map from X to Y using one hidden layer.
exp = theanets.Experiment(
    theanets.Regressor,
    (X.shape[1], 100, Y.shape[1]))

# train the model using rmsprop.
exp.train([X, Y], algorithm='rmsprop')

# predict outputs for some inputs.
Yhat = exp.network.predict(X)

有几种配置和训练模型的选项，请查看文档以获取更多信息。

还有许多其他神经网络工具包，这里只是我熟悉的一些流行的工具包：

您可能想尝试一下，看看它们是否更符合您试图解决的问题的心理模型。

Answer 2

您生成了大量的神经网络
根据结果给出每个神经网络的健康分数（健康分数越高越好）
您按照健康分数对神经网络进行排序
您选择了第一个x％
您对每个选定的神经网络应用小突变。

重复2-5直到结果令人满意。

第一步中提到的那个大数字大致应该等于：

(100/x)^generationCount

其中x与步骤4中的generationCount相同，col是最终结果之前的代数。

我想使用深度学习将要素分类为得分

2 个答案: