问当输入的数量是可变的时，神经网络是如何使用的？

EN

您通常会从数据中提取特征，并将这些特征提供给网络。仅仅获取一些数据并将其提供给网络是不可取的。在实践中，预处理和选择正确的特征将决定您的成功和神经网络的性能。不幸的是，我认为这需要经验来培养一种感觉，这不是一个人可以从一本书中学到的。

总结：“垃圾输入，垃圾输出”

我去过那里，我遇到了这个问题。ANN是针对固定的特征向量长度进行的，KNN、SVM、贝叶斯等许多其他分类器也是如此，即输入层应该定义良好且不变，这是一个设计问题。然而，一些研究人员选择添加零来填补缺失的空白，我个人认为这不是一个好的解决方案，因为这些零(不真实的值)会影响网络将收敛到的权重。此外，可能会有一个以零结尾的真实信号。

ANN不是唯一的分类器，还有更多更好的分类器，比如随机森林。这个分类器被认为是研究人员中最好的，它使用少量的随机特征，使用自举和打包创建数百棵决策树，这可能工作得很好，所选特征的数量通常是特征向量大小的sqrt。这些特性是随机的。每个决策树都收敛到一个解决方案，使用多数规则，然后选择最可能的类。

另一种解决方案是使用动态时间规整DTW，或者更好地使用隐马尔可夫模型HMM。

另一种解决方案是内插，内插(补偿沿小信号的缺失值)所有小信号具有与最大信号相同的大小，内插方法包括但不限于平均，B样条，立方.

另一种解决方案是使用特征提取方法，利用最好的(最有特色的)特征，这次使它们的大小固定，这些方法包括PCA，LDA等。

另一种解决方案是使用特征选择(通常在特征提取之后)，这是一种简单的方法，可以选择提供最佳精度的最佳特征。

这就是目前的全部，如果这些都不适用于你，请与我联系。

有些问题可以用递归神经网络来解决。例如，它适用于计算输入序列的奇偶校验。

recurrent neural network for calculating parity将只有一个输入特性。随着时间的推移，这些比特可以输入到其中。它的输出也被反馈到隐藏层。这使得只需要两个隐藏单元就可以学习奇偶校验。

正常的前馈两层神经网络需要2**sequence_length隐藏单元来表示奇偶校验。这种limitation holds适用于任何只有2层的架构(例如，支持向量机)。