Какой тип нейронной сети может обрабатывать переменные входные и выходные размеры?

Что вам нужно, так это Pointer Networks (https://arxiv.org/abs/1506.03134)

Вот вступительная цитата из сообщения об этом:

Сети указателей - это новая нейронная архитектура, которая изучает указатели на позиции во входной последовательности. Это ново, потому что существующие методы должны иметь фиксированное количество целевых классов, что обычно не применимо - рассмотрим задачу коммивояжера, в которой количество классов равно количеству входных данных. Дополнительным примером может быть сортировка последовательности переменного размера. - https://finbarr.ca/pointer-networks/

Это модель, основанная на внимании.

По сути, сеть указателей используется для предсказания указателей обратно на вход, что означает, что ваш выходной слой на самом деле не фиксированный, а переменный.

Вариант использования, в котором я их использовал, - это перевод необработанного текста в запросы SQL.

• Исходный текст: "СКОЛЬКО МАШИН БЫЛО ПРОДАНО В США В 1983 ГОДУ".
• Вывод: SELECT COUNT (Car_id) FROM Car_table WHERE (Country = 'US' AND Year == '1983').

Проблема с необработанным текстом, подобным этому, заключается в том, что он будет иметь смысл только в отношении определенной таблицы (в данном случае таблица автомобилей с набором переменных, касающихся продаж автомобилей, аналогична вашим различным доскам для настольных игр). Это означает, что если вопрос не может быть единственным входом. Таким образом, ввод, который фактически попадает в указательную сеть, представляет собой комбинацию:

Вход -

1. Запрос
2. Метаданные таблицы (названия столбцов)
3. Словарь токенов для всех категориальных столбцов
4. Ключевые слова из синтаксиса SQL (SELECT, WHERE и т. Д.)

Все они складываются вместе.

Затем выходной слой просто указывает на конкретные индексы ввода. Он указывает на страну и год (из имен столбцов в метаданных), он указывает на США и 1983 год (из токенов в словаре категориальных столбцов), он указывает на SELECT, WHERE и т. Д. Из синтаксического компонента SQL входных данных.

Последовательность этих индексов в добавленном индексе затем используется в качестве выходных данных вашего графа вычислений и оптимизируется с использованием набора данных для обучения, который существует как набор данных WIKISQL.

Ваш случай очень похож: вам нужно передать входные данные, метаданные игры и все, что вам нужно, как часть вашего вывода в виде добавленного индекса. Затем сеть указателей просто делает выбор из входных данных (указывает на них).

Вам нужно вернуться к фиксированной проблеме ввода / вывода.

Обычный способ решить эту проблему при применении к изображениям / временным рядам ... - использовать скользящие окна для уменьшения размера. Возможно, это применимо к вашей игре.

Полностью сверточная нейронная сеть способна на это. Параметры сверточных слоев - это сверточные ядра. Сверточное ядро ​​не так сильно заботится о размере ввода (да, есть определенные ограничения, связанные с шагом, вводом заполнения и размером ядра).

Типичный вариант использования - это несколько свёрток, за которыми следует maxpooling, которые повторяются снова и снова до некоторой точки, где фильтры сглаживаются и соединяются с плотным слоем. Плотный слой является проблемой, потому что он ожидает ввода фиксированного размера. Если есть еще один слой conv2, на выходе вы получите еще одну карту объектов подходящего размера.

Примером такой сети может быть YOLOv3. Если вы скармливаете его, например, изображением 416x416x3, на выходе может быть, например, 13x13x количество фильтров (я знаю, что YOLOv3 имеет больше выходных слоев, но я буду обсуждать только один из-за простоты). Если вы скармливаете YOLOv3 изображение 256x256x3, на выходе будет карта характеристик 6x6xколичество фильтров.

Таким образом, сеть не дает сбоев и не дает результатов. Результаты будут хорошими? Не знаю, может да, может нет. Я никогда не использую его таким образом, я всегда увеличиваю размер изображения до рекомендуемого размера или переобучаю сеть.