Tensorflow 使用Keras的分段输入

我试图用Keras来识别英语单词中的常见模式。目前，我只是把整个单词放到神经网络中。这是不好的，因为只有长单词使用结尾的神经元

有没有一种方法可以根据几条数据进行预测

我想做的是

word = "check"

scores = []
for segment in binify(word, binsize=4):
    # we get " che", "chec", "heck", "eck "
    scores.append(model.predict(segment))
final_classification = mean(scores)

我希望能够使用上述函数训练神经网络（网络一次需要4个字符）。如何最好地做到这一点？自定义优化器

有没有一种方法可以根据几条数据进行预测

为什么不按照需要的方式简单地预处理数据？i、 e.将其拆分为多个存储桶，并向您的网络提供数据？实际上，正如您在算法中所描述的。我不认为有任何必要，由神经网络执行这一步骤。 如果你想要一个专注于单词部分的神经网络，卷积神经网络是一个不错的选择。但我认为CNN不会帮你完成任务

因为如果我没弄错的话，你是在尝试建立一种自动补全（但是自动补全器会在输入词的两端完成你的输入？），所以输入“che”的标签是“check”，对吗？基本问题是，例如“heck”可以映射到check、checkpoint、heck、check-in。。。。因此，输入和标签之间从来没有明确的区别

我建议使用字符嵌入作为输入，因为它们模拟字符的相似性。作为一种简单的方法，您还可以使用一个热编码字符。 在隐藏层中有一些乐趣-你可以首先使用一个简单的完全连接的密集层，你也可以尝试LSTM。 作为标签，您可以使用word2vec单词嵌入。因此，作为一个输出层，您需要300个神经元（word2vec的维度为300）。因为它不再是一个热编码-你不应该使用交叉熵损失，而是平方损失或类似的东西

Word2vec已经提供了现成的工具，用于将给定向量与类似单词进行比较。这就是你将如何得到你的预测词