我正在尝试使用Keras来识别英语单词中的常见模式。目前，我只是将整个单词输入到神经网络中。这样做不好，因为只有长单词才会使用到末端的神经元。
有没有一种方法可以基于对多个数据片段的运行来进行预测？
我想做的是
word = "check"scores = []for segment in binify(word, binsize=4): # 我们得到 " che", "chec", "heck", "eck " scores.append(model.predict(segment))final_classification = mean(scores)我想训练一个神经网络（网络每次处理4个字符），使用上述描述的函数。如何最好地做到这一点？需要自定义优化器吗？
回答：
有没有一种方法可以基于对多个数据片段的运行来进行预测？
为什么不直接按你需要的方式预处理数据呢？即将其分成多个部分，然后将这些数据输入到网络中？实际上，正如你在算法中所描述的那样。我认为没有必要让神经网络执行这一步。如果你想要一个专注于单词部分的神经网络，卷积神经网络（CNNs）是可行的选择。但我认为CNNs对你的任务不会有帮助。
因为如果我理解正确的话，你试图构建一种自动补全功能（但自动补全器会在输入单词的两端进行补全？）所以输入“che”的标签是“check”，对吗？基本问题在于，例如，“heck”可能对应于check、checkpoint、heck、check-in…所以从输入到标签之间从来没有明确的区分。
我建议使用字符嵌入作为输入，因为它们能模拟字符的相似性。作为一种简单的方法，你也可以使用独热编码的字符。在隐藏层中可以尝试一些有趣的东西——你可以先使用一个简单的全连接Dense层，也可以尝试LSTM。作为标签，你可以使用word2vec词嵌入。因此，作为输出层，你需要300个神经元（word2vec的维度是300）。因为它不再是独热编码的——你不应该使用交叉熵损失，而应该使用平方损失或类似的损失函数。
Word2vec已经提供了开箱即用的工具来比较给定向量与相似词。这就是你如何获得预测的单词的方法。
