- 主题:这种问题能用1D卷积神经网络处理吗？
比如，3种掺杂的金属元素的浓度会影响材料的强度，我通过大量数据训练，给出需要的材料强度，要预测出三种金属元素的浓度，一般的BP神经网络也可以预测的很准，但是合作者要求一定要用卷积神经网络预测出来才行，说这样属于深度学习比较容易发表，我看了很多卷积神经网络，都是处理图像矩阵，这种一共就几个参数的问题，能用吗？
--
FROM 112.21.17.*
你的模型的输入样本特征是材料强度这一个特征，输出是三种金属元素的估计浓度吗？
还是反过来输入的是三种金属元素的浓度，输出的是材料强度？
你用BP做，损失函数是怎么定义的？
他推荐你用卷积神经网络的好处是什么？卷积主要处理的是特征之间的相互交叉关系。所以一般是二维的，你如果能建立出二维的输入特征矩阵也可以。但是根据你的问题描述，我没有看出来用CNN的优越性在哪里。可以考虑用单纯的前馈型深度神经网络做。
--
FROM 211.83.110.*
合作者说得对，不在于能不能用，在于能不能发表
【 在 photoelectri (发扬光大) 的大作中提到: 】
: 比如，3种掺杂的金属元素的浓度会影响材料的强度，我通过大量数据训练，给出需要的材料强度，要预测出三种金属元素的浓度，一般的BP神经网络也可以预测的很准，但是合作者要求一定要用卷积神经网络预测出来才行，说这样属于深度学习比较容易发表，我看了很多卷积神经网
--
FROM 115.236.9.*
前馈神经网络可以做出好的结果，毕竟只有三个元素比较简单，但合作者觉得不够高大上，要求上卷积神经网络，卷积神经网络属于深度学习
【 在 fantast01 的大作中提到: 】
: 你的模型的输入样本特征是材料强度这一个特征，输出是三种金属元素的估计浓度吗？
: 还是反过来输入的是三种金属元素的浓度，输出的是材料强度？
: 你用BP做，损失函数是怎么定义的？
: ...................
--
FROM 112.21.17.*
你的模型特征输入是什么？如果你的输入只有一个特征，即材料强度，你怎么做卷积呢？如果是3个浓度参数，倒是可以1D卷积算一下。前馈或者残差都可以做多个隐层，隐层层数多了也可以称为深度神经网络(DNN)。但实际上，就你的场景问题，无论是DNN还是CNN都是不是什么创新了。
--
FROM 211.83.110.*
如果把这两个互换一下，是不是就可以卷积了
【 在 fantast01 的大作中提到: 】
: 你的模型特征输入是什么？如果你的输入只有一个特征，即材料强度，你怎么做卷积呢？如果是3个浓度参数，倒是可以1D卷积算一下。前馈或者残差都可以做多个隐层，隐层层数多了也可以称为深度神经网络(DNN)。但实际上，就你的场景问题，无论是DNN还是CNN都是不是什么创新了。
--
FROM 112.21.17.*
是的三个特征的话，[(x1,x2),x3][x1,(x2,x3)]这样卷，可以试一试。感觉确实没什么价值，特征数太少了。
【 在 photoelectri 的大作中提到: 】
: 如果把这两个互换一下，是不是就可以卷积了
--
FROM 211.83.110.*
卷积也不够高大上。试试ODE网络吧，也就是变相硬加了点结构和数学而已。这些小技巧只适合发paper。
实际上硬件就是前馈网络足以。
【 在 photoelectri 的大作中提到: 】
: 前馈神经网络可以做出好的结果，毕竟只有三个元素比较简单，但合作者觉得不够高大上，要求上卷积神经网络，卷积神经网络属于深度学习
--
FROM 114.253.33.*
这有开源的代码可以用吗
【 在 huakai 的大作中提到: 】
: 卷积也不够高大上。试试ODE网络吧，也就是变相硬加了点结构和数学而已。这些小技巧只适合发paper。
: 实际上硬件就是前馈网络足以。
:
--
FROM 112.21.17.*
不知，你可以找找。我们的都是自己写
- 来自 水木社区APP v3.5.2
【 在 photoelectri 的大作中提到: 】
: 这有开源的代码可以用吗
--
FROM 117.136.38.*