实时神经网络

Question

简单地说，：是否有可能让神经网络对用户的输入进行实时反应？

想象一下，一个由接收周围环境的输入并利用神经网络产生输出以实现生存的实体组成的世界的小游戏。这些实体应该有某种能力杀死和消耗另一个实体，以延长饥饿倒计时，最终导致死亡，因此，试图生存尽可能长。

解决这一问题的一个简单方法是使用遗传算法改进神经网络，并找到一组具有更高生存性的实体(适合这种情况)。

现在，如果用户应该能够控制一个这样的实体，系统就会崩溃，因为他显然比这些实体更聪明，因为他们的网络没有经过处理用户行为的训练。这种行为可以通过让用户多次重放游戏来实现，直到神经网络适应为止，但对于我的目标来说，这是一个过于繁琐和耗时的过程。

因此提出了我的问题：是否有可能提高神经网络的学习速度，以便它们能够对用户的输入做出足够快的反应，从而使用户能够感觉到变化的发生？还是有不同的方法，让一个学习人工智能提高基于用户的行动，在实时？

Answer 1

从根本上讲，问题是，“是的，可以非常快地操作神经网络。”即使使用大型NNs，您也要从根本上处理更新一组浮点数的问题，这对现代硬件来说几乎不是一个挑战。

所以在你的问题中，你问的是关于学习速度的问题，但在基本层面上，我们仍然在讨论浮点算法:现在加入你的学习规则要复杂得多，但可能仍然比人类感知的要快得多。

因此，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？”如果没有更多的细节，这就很难回答了。为了训练你的神经网络做得更好，什么是必要的？是否有必要重新运行一个复杂的模拟，还是只需调整一些输入参数“？

当你说你用气体来产生神经网络权重时，这让我怀疑你在谈论更大的数据集和复杂的测试，以便创建一组“更好”的基于神经网络的实体。那么，是否有可能在人类感知的时候做到这一点呢？这要困难得多，特别是因为开始有意义的解决方案是跨多台机器(例如Hadoop)分发计算，但这肯定会进入秒的范围，而不是毫秒。