神经网络架构推荐

Question

这是我第一次使用神经网络，我被赋予了预测数据集某些值的任务，并且我可以充分利用一些帮助来确定哪种是最智能的体系结构。我正在与使用Tensorflow作为后端的Keras一起工作。

我不做详细介绍，但是基本上我已经对相似但略有不同的几何形状进行了很多CFD模拟，以获取几何形状表面上的应力值。所有的几何形状都具有相同的连接性和节点数，我对每个节点都有应力值。

简单地说，我有一个[2500,3,300]的输入矩阵，其中2500是每个几何图形中节点的数量，3表示网格上每个节点在空间中的x，y，z坐标，而300是总数我有多少个几何。对于应力，我的输出矩阵为[2500,300]，其中2500是每个节点的应力值，而300再次对应于实例数。我想训练某种神经网络，以便可以根据给定的几何形状预测应力值。

我已经在下面的论文中建立了我的体系结构，但是我不能利用其中使用卷积网络的那一部分。 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5805990/

我能想到的最简单的方法是完全连接的网络，但是我很难弄清层结构，以我对学科的了解不足，将几何3D矩阵与输出应力矩阵的2D关联起来。

任何建议都受到欢迎。谢谢您的帮助！！！

Answer 1

• 由于我一直在使用DL进行应力值预测，因此我建议您使用 CNN 模型，该模型由于具有智能的学习能力（甚至假设您想遵循的参数之间也具有相关性）而具有过滤器。不过，如果有的话， RNN 及其承诺的版本（如 LSTM 和 GRU ）在足够的数据上具有良好的性能。不幸的是，由于这个问题仍在研究中，因此我无法对您发表讲话！
• 我可以证明的另一点是，当您馈送给NN模型时，尤其是在处理时间序列数据时，重塑数据非常重要。