我想为粒子物理设置一个神经网络。我将评估假设有2000个事件，每个事件中粒子的数量是可变的，但每个粒子有5个变量，因此形状将是(2000, 粒子数量, 5)。目前我设置了一个形状为(2000,500,5)的张量，对于第二维度中不存在的粒子的变量只是0。但我认为这是误导性的，因为即使网络的准确性没有提高，它也会提升准确性。特别是当我在寻找二进制输出时。现在我需要一个多类别、单标签的分类。我如何为可变输入维度设置层？我的第一种方法是否走错了方向？
model = tf.keras.models.Sequential()model.add(tf.keras.Input(shape=(500,5)))model.add(tf.keras.layers.Dense(500*5, activation="relu"))model.add(tf.keras.layers.Dense(1,activation="softmax"))model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])model.fit(INPUT, OUTPUT, epochs=10, batch_size=1)回答：
为什么你可能需要另一种架构
读了你的问题陈述后，听起来你是在对最多500个粒子进行模拟，每个粒子都有类似于x, y, dx, dy和质量属性（每个粒子的5个变量）。
如果我要手动解决一个二维的500粒子模拟问题，我可能会在二维中画出这些粒子，因为对于这个问题，二维格式是有意义的。另一方面，如果我们只是给某人一个包含500行和5列数字的电子表格，而不告诉他们这意味着什么，只是告诉他们自己弄清楚，我打赌他们会很难理解。
基于这种直觉，再加上现代机器学习在图像和二维数据方面的表现特别好，我建议将你的数据表示为一个二维网格，或许是一个128x128x3的网格，其中3个值是该网格空间中的总dx, dy和质量。这样，你就可以拥有任意数量的粒子，或少量的粒子。
粒子将与它们邻域中的其他粒子相互作用，卷积将非常有助于这一点。
model = tf.keras.models.Sequential()model.add(tf.keras.Input(shape=(128,128,3)))model.add(tf.keras.layers.Conv2D(16, 5, activation="tanh", padding="same"))model.add(tf.keras.layers.MaxPool2D(2)) # 64x54model.add(tf.keras.layers.Conv2D(16, 5, activation="tanh", padding="same"))model.add(tf.keras.layers.MaxPool2D(2)) # 32x32model.add(tf.keras.layers.Conv2D(16, 5, activation="tanh", padding="same"))model.add(tf.keras.layers.MaxPool2D(2)) # 16x16model.add(tf.keras.layers.Conv2D(16, 5, activation="tanh", padding="same"))model.add(tf.keras.layers.MaxPool2D(2)) # 8x8model.add(tf.keras.layers.Conv2D(16, 5, activation="tanh", padding="same"))model.add(tf.keras.layers.MaxPool2D(2)) # 4x4model.add(tf.keras.layers.Conv2D(16, 4, activation="tanh", padding="valid"))model.add(tf.keras.layers.Conv2D(2, 1, activation="softmax", padding="same"))model.add(tf.keras.layers.Flatten())model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])model.fit(INPUT, OUTPUT, epochs=10)你的输出现在是对两个类别的softmax。你可以训练它来回答类似这样的问题：是否有两个粒子靠得很近，是否有三个粒子靠得很近，总质量是否超过42。它可能无法回答类似的问题：总角速度是否是顺时针的，所有的粒子最终是否会碰撞。
为什么密集层可能不会起作用
让我们再看看你的当前架构，看看它需要学习什么才能表现得好
2) model.add(tf.keras.Input(shape=(500,5)))3) model.add(tf.keras.layers.Dense(500*5, activation="relu"))4) model.add(tf.keras.layers.Dense(1,activation="softmax"))如果我们看第3行，它接受500×5的输入（2,500个浮点数）并对其进行全连接的密集操作，输出2,500个浮点数。这是一个包含2,500 x 2,500参数的矩阵=6,250,000个参数，每个输入到输出的组合都有一个参数。它必须学习这些参数中的每一个。为了引起对这有多难的注意，想象一下你只有4个粒子，A, B, C, 和D的情况。
如果你用这样的顺序训练模型：ABCD，ACDB和ADBC，它将无法泛化到新的情况BACD。它从未见过B在第一位，而密集网络没有机制来泛化这个问题。
与上面的卷积示例相比。每个卷积仅学习如何将2D世界的一个5×5补丁映射到下一层较小的层。每个5×5补丁仅接受5×5上的16个参数，并将其映射到16个输出，总共每个层6,400个参数。有7个卷积层（最后几个较小，但我们忽略这一点），大约是7 * 6,400 = 44,000个参数。远低于600万。此外，这些参数在每个位置上一次又一次地被重用，如果它们在右上角“学习”了某些东西，这种知识将应用于图像的每个部分。
你可以尝试打乱你的数据，使第2行的密集层起作用，打乱ABCD的顺序，以便你训练每个粒子在每个位置。对于500个位置，组合的数量是500的阶乘，因此计算是不切实际的。
