简而言之

1. 只要使用实数表示，ANN 就不会遇到“不同类型”数据的问题：ANN 的输入表示长度并且易于理解和处理。

2. 可变数量的输入有点棘手。一般来说，这也不是问题。网络将不时补偿一些输入的缺失（当食物太远时？）。您不必为您的案例使用 RNN。

在全

我认为您的网络的输入可以改进。

在构建新的 ANN 时，您始终必须考虑以下几个方面：

• 神经网络只是将输入映射到输出的无状态函数。
• 这里没有魔法：有了好的输入，你就能得到好的输出。
• 想想你将如何编写一个算法来解决这个问题。最好的一组输入是什么？可以在其他地方进行一些计算吗？（使用其他 ANN，如果您想创建 ANN 链或传统算法）。
• 预处理可以带来很大的不同！
• 想想你的输入需要/导致的空间分离。

所有这些点都是相互关联的，它们仅与您提供给网络的输入有关。

现在，记住这些点，你可以再次检查你的输入，看看你是否可以改进一些东西：

目标1：吃东西

为了确保蛇会接近食物，我们肯定需要将 ANN 传递给食物的位置。但是你确定一长串坐标是最好的选择吗？也许最近食物的坐标就足够了。如果你是那条蛇，你想收到什么？或者，如果你是一条真正的蛇，你会得到什么？想象一下，你的蛇有一个传感器，可以确定获取食物的最佳地点。它就像一个指南针，只输出一个值，从 0 到 365（或选择你喜欢的任何范围）。该指南针将指向最近的较大食物群或最近的食物。记住：1 值总是比 N 好，你应该尽量避免输入可变数量，这总是一种不顺利的气味。

目标2：不要死

与中心的距离效果很好。这是人工神经网络在移动时会考虑的一个简单阈值，它有效且易于实现。你为什么不添加另一个指南针，它总是告诉你中心的位置而不是蛇的坐标？通过这种方式，您使用了 2 个彼此相关的值，而不是 3 个，这对于 ANN 来说更难破译。

时间真的没有必要。您正在插入一个与任何其他、环境或食物无关的值。任何可能的行为都不受其值的影响（如果 ANN 知道它只剩下 15 秒，它就不会改变它的行为。如果它知道它在 1 分钟或 4000 分钟后就“活着”，也是如此）。