Artificial intelligence 如何根据神经网络的输入和输出确定最佳隐藏层和神经元？

我在这里主要指的是这篇论文：

当前设置：

我目前正在尝试移植神经遗传AI解决方案，我已经准备好进入一个多用途多代理工具。因此，例如，它应该作为游戏引擎中的AI在实体周围移动，让它们射击并摧毁敌人（例如，4个输入，如距离x、y和角度x、y，以及2个输出，如向左、向右加速）

到目前为止，我使用的基因组数量与使用的试剂数量相同，以确定最适合的试剂。20%的最合适的试剂相互结合（选择zz、zw基因组），并为每个新群体创造2个婴儿。每新一代剩余的新群体是在老群体中随机选择的，包括基因组不合适的适者

在50-100代之后，这对AI来说非常有效，在突破性克隆和一个小型坦克游戏中，它几乎是人类无敌的，你可以射击和移动

正如我在进化群体中使用每种“代理类型”的想法一样，现在的问题是，是否有可能确定隐藏层的数量以及隐藏层中神经元的数量

我的坦克游戏设置为4个输入，3个输出和1个隐藏层，其中12个神经元工作得最好（大约50代，非常强大）

我的突破游戏设置为6个输入、2个输出和2个隐藏层，其中12个神经元似乎工作得最好

完成研究：

因此，回到论文：在第32页，你可以看到，似乎每个隐藏层中的神经元越多，当然需要更多的时间来启动，但中间神经元越多，就越有机会在没有噪音的情况下进入功能

目前，我只在成功超越上次尝试的基础上，使用体能提升来为我的AI注入能量

因此，在坦克游戏中，这意味着他成功地射击了另一辆坦克（击伤他4次更好，然后敌人就死了），并赢得了这一回合

在突破游戏中，它类似于我有一个桨，AI可以移动，它可以收集点。这里的“被射中”或负面处理是它忘了接球。所以潜在的噪声输入将是2个输出值（向左移动，向右移动），这取决于4个输入值（球x，y，degx，degy）

问题：

那么，对于隐藏层的数量和神经元的数量，你认为什么样的计算可以是一个很好的折衷方案，以确保没有破坏基因组进化的噪音

在你可以说“它进一步发展”之前，代理的最小数量是多少？我目前的培训设置总是有50个代理并行学习（因此他们基本上在“幕后”模拟50个并行游戏）

总之，对于大多数问题，只需使用两个规则设置隐藏层配置，就可能获得良好的性能（即使没有第二个优化步骤）：（i）隐藏层的数量等于1；（ii）该层神经元的数量是输入和输出层神经元的平均数

-

简而言之。这是一个正在进行的研究领域。大多数（据我所知）使用大量神经元和H层的人工神经网络都没有设置它们的静态数量，而是使用算法不断修改这些值。通常在输出收敛/发散时构造和破坏

---

<> P>因为听起来你已经在使用一些进化计算，考虑一下，我记得它在与你的工作类似的基准上得到了相当不错的改进。

谢谢链接到论文，这是一个有趣的比较不同的方法。我已经尝试过隐藏神经元的级联添加，但可能是因为我没有正确理解它。可能是出于游戏的目的，我尝试提供一些关于如何通过类型化对象API或类似设置NN的“默认设置”。因此，常见的情况是通过一个简单的API提供的，而不需要向gamedev询问以后要使用什么样的NN设置。