In short: 是否可以让神经网络实时响应用户输入？
想象一下这个世界的小游戏，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，那么系统就会中断，因为由于他们的网络没有经过训练来处理用户的操作，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，但这对于我的目标来说是一个过于繁琐且耗时的过程 .
Hence my question: 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？
1 回答
嗯，从根本上讲，问题是，“是的，可以很快地操纵神经网络 . ”即使有大量的NN，你也要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 .
所以在你的问题正文中，你会问到学习速度，但同样，在基础层面上我们仍然在谈论浮点算法：现在更复杂的是要结合你的学习规则，但仍然可能比人类感知更快 .
所以我认为你真正面临的问题可能是“是否有可能实时生成培训数据？" And that becomes hard to answer without considerably more detail. What is necessary in order to train your neural networks to do better? Is it necessary to rerun a complex simulation or is it sufficient to tweak some input parameters"？
当你说're using GAs to generate the NN weights, that makes me suspect that you'正在谈论更大的数据集和复杂的测试时，为了创建一组基于NN的实体 . 那么，有可能在人类感知时间做所有这些吗？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，但这开始肯定会进入秒的领域，而不是毫秒 .