假设我们要建立一个神经网络来预测一些参与者之间的比赛结果。
每个参加比赛的人都有各种统计数据：发动机功率，最大速度，驾驶员经验等。
现在想象我们被要求构建一个系统，该系统可以处理2到400名参与者中的任意数量（只是选择一个具体的数字）。
根据到目前为止我对“传统”神经网络的了解，我们的选择是：
假设这行得通，是否有理由期望一种方法比另一种方法表现更好？
前者比较专业，但是每个网的训练数据少得多，所以我猜想它能达到大致相同的效果吗？
是否有解决此类问题的标准方法？
我们可以想象（简单地）神经网络首先对每个参与者的力量进行分类，因此，每次添加新参与者时，它都需要对这些新输入应用相同的分析，这可能暗示可能存在一种“智能”方式来减少所需的工作总量。
这只是对卷积神经网络的尖叫吗？
答案 0 :(得分：1)
在您的两个选项之间，选项1将涉及重复很多努力来训练不同大小的东西，结果可能会非常缓慢。
选项2更可行，但是网络将需要对不同大小的输入进行额外的培训。
我认为最可能起作用的另一种选择是，仅训练神经网络在两个参与者之间选择一个获胜者，然后使用它通过对之间的多次比较来创建排名。 here描述了这种方法。
我们可以想象（简单地）神经网络首先对每个参与者的力量进行分类，因此，每次添加新参与者时，它都需要对这些新输入应用相同的分析，这可能暗示可能存在一种“智能”方式来减少所需的工作总量。
我认为您在这里有了主要想法。由于我们希望对每个参与者执行完全相同的分析（假设他们是参与者1还是参与者400都没有区别），所以这对于 Weight Sharing 是一个理想的问题。这意味着对每个参与者进行初始分析的神经元的权重是相同的。当一名参与者的权重发生变化时，所有参与者的权重发生变化。
尽管CNN确实使用权重分配，但我们无需使用CNN即可使用此技术。您将如何执行此操作的详细信息取决于您的框架。