我有许多相关的多组数据，我想用这些数据来训练一个神经网络。这些数据来自于飞行固定距离的赛鸽。输入数据可以是体重、年龄、体型、翼展、性别、距离、时间等，每分钟采样一次。我试图预测一只鸽子在给定这些输入数据的情况下，完成比赛所需的典型时间。输入数据将被标准化以提高网络的效率。典型的数据行可能看起来像这样，体重、年龄、体型、翼展、性别、距离、时间分别为-1.34, -1.23, -0.49, 0.47, 0.97, -1, -1.44, -0.75。随着比赛的进行，会有许多这样的数据行，到比赛结束时，每只鸽子都会有一个时间结果，例如3小时5分钟。我将为这场比赛获得一整套数据，但显然每场比赛都会有所不同，所以我需要一种方法来训练多个比赛的数据。我的问题是，因为每场比赛是一个独立的事件，我应该使用什么方法来训练网络。我感到困惑的是，这不是一个可以直接处理的连续数据流。我应该用一组/一场比赛的数据进行训练，直到它学会，然后再转到下一组/下一场比赛吗？还是有针对这种类型问题的特定方法？

谢谢！

回答：

如果我正确理解了你的问题，你有以下情况：

1. 一组比赛
2. 每场比赛中有一组鸽子
3. 每场比赛中的每只鸽子每分钟记录一系列数值
4. 每场比赛中的每只鸽子还有最终的时间记录
5. 你想预测一只鸽子在实时比赛中，根据迄今记录的一系列数值，预测其最终时间

如果这些都是正确的，那么我会观察到以下几点：

1. 对于这个问题来说，忽略两只鸽子是否在同一场比赛或两场不同的比赛中是有意义的。因此，可以忽略“比赛”的概念，将输入数据视为一组鸽子的飞行记录。
2. 本质上，你的数据是时间序列。常规的前馈网络不适合处理时间序列。你需要使用循环网络。目前，实践中常用的两种循环网络是LSTM和GRU。

从头开始编写循环神经网络不是一个好主意。选择一个框架（如Keras、TensorFlow、Mxnet等），查找如何在该框架中训练LSTM的文档——所有这些框架都有这样的教程——并根据你的用例进行调整。