在tensorflow中表示高精度浮点

我们打算用一些不适合float64或TensorFlow中任何其他现有数据类型的数据来训练ANN。例如，输入神经元可接收：

1.13760089015656552359796023723738662029191734968655617689014826158791613333

我有两个问题：

有没有办法用TensorFlow或Keras表示数据

如果没有一个清晰方便的解决方案，您认为将数据转换成complex128会对我们有所帮助吗？例如：

1.13760089015655523597960237237+73866202919173496865561768901i

---

在我们的例子中，浮点值越高意味着精度越高。因此，我们需要尽可能多地保留它们

---

我们更喜欢使用GPU，因此解决方案应该涵盖这些问题。

您考虑过预处理数据吗？很少能看到如此高精度的显著重要发散。如果只在这样的平面空间上操作，可能也很难计算出有意义的梯度。

“在我们的情况下，浮点值越高意味着精度越高”-我想对每种情况都是这样，问题是你真正需要的精度有多高，很少有64位不够的情况。甚至还有一些标准，但这些标准非常罕见，TF也不支持。在复数中“拆分”数字是行不通的，浮点值不能像那样“串联”。此外，TF中也不支持，也很少需要，这将允许您获得所需的精度。无论如何，如果你在做神经网络，使用32位以上的精度通常没有多大意义——毕竟这只是一种近似的机器学习方法。你认为哪种预处理对我们有帮助？输入数据是连续的，点与点之间的差异深深地隐藏在浮点中。所以只要将其重新缩放到正态分布，就可以了。这是最基本的。尽管您可能会遇到麻烦，但如果您的数据存在异常值。永远记住这件事。首先，您需要了解并准备数据。建筑模型排在最后。