Input 神经网络能处理不连续的输入吗？

我想知道前馈神经网络是否以及如何处理不连续的输入

---

在一个深度强化学习项目中，我想在神经网络中输入一个方向。然而，定向角的定义范围为[-180°，180°]，边界处存在不连续性。因此，如果有足够的训练样本和时间，神经网络会知道-180°实际上与+180°相同，还是会区分这些值，因为它们位于输入空间的两侧？

这不应该是个问题。由NN近似的值函数将简单地将这些状态中的所有动作映射到近似相同的值，因为它们在利用方面是等价的

---

所以，这些值之间是否相距遥远并不重要；从代理的角度来看，它们无法区分。

这不应该是个问题。由NN近似的值函数将简单地将这些状态中的所有动作映射到近似相同的值，因为它们在利用方面是等价的

---

所以，这些值之间是否相距遥远并不重要；从代理的角度来看，它们无法区分。

这是不连续的，这是什么意思？这个函数是连续的——它还有一个属性——f（-180）=f（180）。我说得对吗？如果我让一个机器人以恒定的速度旋转，它在现实世界中的角度会不断增加：0°、180°、360°、720°等等。但是，我的输入同时周期性地跳转。在这个意义上，我相信我可以说它是一个实际连续属性的不连续表示。但这是可能的参数流的不连续性，而不是值。好吧，这就是我关心的。神经网络的输入。是的，但是你使用一个递归神经网络吗？所以输入的顺序很重要？如果没有，你可以很容易地重新调整它，它不会影响你的模型-这个属性也是一样。你说这是不连续的是什么意思？这个函数是连续的——它还有一个属性——f（-180）=f（180）。我说得对吗？如果我让一个机器人以恒定的速度旋转，它在现实世界中的角度会不断增加：0°、180°、360°、720°等等。但是，我的输入同时周期性地跳转。在这个意义上，我相信我可以说它是一个实际连续属性的不连续表示。但这是可能的参数流的不连续性，而不是值。好吧，这就是我关心的。神经网络的输入。是的，但是你使用一个递归神经网络吗？所以输入的顺序很重要？如果没有，您可以轻松地重新排列它，并且它不会影响您的模型-与此属性相同。同意，理想情况下，我的算法将“看到”+180°和-180°的方向将具有相同的效果。我只是想概括一下方向值。为了让我明白一点，NN是否更容易了解到0°和10°的值比180°和-170°的值具有相似的效果？同意，理想情况下，我的算法将“看到”+180°和-180°的方向具有相同的效果。我只是想概括一下方向值。让我明白一点，对于NN来说，了解0°和10°的值比180°和-170°的值具有相似的效果不是更容易吗？