可以使用递归神经网络来学习具有略微不同变化的序列吗？例如，如果我有足够的训练数据，我是否可以训练RNN以便它可以产生一系列连续的整数或交替的整数？
例如，如果我训练使用
1,2,3,4 2,3,4,5 3,4,5,6
依此类推，并使用相同的网络
1,3,5,7 2,4,6,8 3,5,7,9
等等，我能够成功地为测试集预测两个序列吗？
如果我在训练数据中有更多变化，比如每三个整数或每四个整数的序列，等等，该怎么办？
是的，如果序列中有足够的信息使其不明确，神经网络应该能够学会正确完成这些序列 .
你应该注意一些细节：
神经网络和一般的ML模型在推断上是不好的 . 一般来说，简单的网络不太可能了解序列 . 它永远不会像孩子一样迅速学习序列逻辑的概念 . 因此，如果您提供的测试数据超出其经验（例如，项目之间的3个步骤，当他们不在培训数据中时），它将表现不佳 .
神经网络更喜欢缩放输入 - 常见的预处理步骤是将每个输入列的标准化归一化为0标准偏差1 . 虽然网络可以在输入处接受更大范围的数字，但这将降低培训的有效性 . 使用生成的训练集（例如人工数字序列），您可以通过更多示例通过训练更长时间来强制执行此操作 .
您需要更多神经元和更多层，以支持更大的序列变异 .
对于RNN，如果到目前为止处理的序列是不明确的，它将会严重预测 . 例如 . 如果训练1,2,3,4和1,2,3,5使用相同数量的样本，当它显示序列1时，它将预测4.5（对于回归）或50％机会4或5（对于分类器）， 2,3并要求预测 .
1 回答
是的，如果序列中有足够的信息使其不明确，神经网络应该能够学会正确完成这些序列 .
你应该注意一些细节：
神经网络和一般的ML模型在推断上是不好的 . 一般来说，简单的网络不太可能了解序列 . 它永远不会像孩子一样迅速学习序列逻辑的概念 . 因此，如果您提供的测试数据超出其经验（例如，项目之间的3个步骤，当他们不在培训数据中时），它将表现不佳 .
神经网络更喜欢缩放输入 - 常见的预处理步骤是将每个输入列的标准化归一化为0标准偏差1 . 虽然网络可以在输入处接受更大范围的数字，但这将降低培训的有效性 . 使用生成的训练集（例如人工数字序列），您可以通过更多示例通过训练更长时间来强制执行此操作 .
您需要更多神经元和更多层，以支持更大的序列变异 .
对于RNN，如果到目前为止处理的序列是不明确的，它将会严重预测 . 例如 . 如果训练1,2,3,4和1,2,3,5使用相同数量的样本，当它显示序列1时，它将预测4.5（对于回归）或50％机会4或5（对于分类器）， 2,3并要求预测 .