我想实现一个神经网络，用于猜测用户会选择“真”还是“假”。

最合适的设计是什么？我在这方面是新手，但我想到了以下设计：

设有128个输入，用于存储之前的128次猜测（可以理解为记忆）。

第一个输入是最新的猜测，第二个是前一次，第三个是两轮之前，以此类推。

我考虑设置一个包含256个节点的全连接隐藏层，以及一个用于输出的单一最终层。

我会这样表示我的输入：0 – 尚未猜测，0.5 – 猜测为假，1 – 猜测为真

输出值如下：0表示假，1表示真（当输出变为输入时，我会将其转换为输入格式）

现在，我对这个设计的主要担忧是输入是移动的。也就是说，第一次猜测时的第一个输入，在下一次猜测时会变成第二个输入，再下一次会变成第三个输入，我担心这会导致没有可重用性，逻辑会重复，猜测结果会变得非常固化。

我的担忧是否毫无根据？我是否应该让神经网络替我思考，仅此而已？

我记得我在YouTube上看到过关于神经网络记忆的视频，提到可以逐一输入数据。这是否意味着我的方法是错误的，神经网络的记忆有特殊的方式？

如果我的设计是错误的，你会建议什么样的设计？

回答：

首先，你应该问问自己为什么想要使用神经网络。你是否尝试过更简单的模型（参数更少），例如隐马尔可夫模型？你是否有足够的数据来训练一个多层的网络？

假设你确定要使用神经网络，那么我们应该从输入开始。你的输入是一个分类特征，因此应该以一种合适的方式进行编码。一种常见的编码方法是独热编码。所以在你的案例中，输入会看起来像这样：

NYG = [1, 0, 0]T   = [0, 1, 0]F   = [0, 0, 1]

一旦你格式化了输入数据，你就可以考虑网络架构。虽然解决每个问题的方法有很多，但听起来你可能想使用循环神经网络，它可以根据一系列输入输出分类。我建议从几个较小的LSTM单元层（64个节点）开始，看看效果如何，然后再考虑如何扩展（如果你有足够的数据）。

我真的不能强调太多，你不应该轻易跳入神经网络。它们可能非常有用，也可能在不需要的地方增加巨大的混乱。