我想建立神经网络，我的输入将是一个单词（而不是一个句子）。我的单词集有很多不同长度的单词（字符数）。我的想法是使用预定义字典将字符转换为数字，然后将其用作输入。输入层中的神经元数量设置为我集中最长单词中的字符数。在向量中，女巫更短，我将用零填充它们。
我的一组词看起来是：
1. head
2. hello
3. butterfly
4. hotel
5. fly
6. spy
所以对于这个集合，我对 netowrk 的输入应该有 9 个神经元。当我转换“头”时，我将得到带有 4 个数字和 5 个零的向量。
是个好主意？或者，也许您有另一个更好的想法，这个网络的输入可能看起来如何。
编辑：
我的任务在这里描述：ML 模型来转换单词：我想构建 GAN 作为答案建议。所以这个词将是我的“真实词”，我想生成假词。
这里最简单的方法是对字母进行一次性处理。因此，您将有许多包含 1 和 0 的列。现在，这可能是您的 nn 的输入层。
虽然您的方法听起来合乎逻辑，但它与大多数基于语言的模型的创建方式完全不同。一旦你训练了它，你真的需要告诉我们你希望你的模型学习和预测什么。你为什么对单词的长度感兴趣；输入层具有与最长单词中的字符相同数量的神经元的意义是什么？这听起来像是某种性能优化。
因为我们通常对单词的含义感兴趣，所以已经开发了编码含义的方法。有诸如Word2Vec 之类的模型，它们将文本作为输入，并以向量的形式为每个单词生成语义。在此处查看教程。
当我们将图像作为模型的输入时，我们通常对诸如“图片中有什么？”、“图片在哪里？”之类的东西感兴趣。和“什么旁边是什么？”。这意味着空间信息很重要。
词向量和图像都是数字形式，可以传递到网络中。我们仍然需要知道我们希望我们的模型学习什么，知道我们想要优化什么；我们必须决定loss或error的定义，因为这是通过反向传播训练模型的。