是否有一种神经网络可以输入模式来训练自己以完成它以前从未见过的新模式？
我正在尝试做的是训练神经网络将图像转换为另一个图像。每次图像可能略有不同（用形状中的不同线条表示），但人类会了解新图像的外观。我想创建一个网络，它可以学习如何学习接下来会发生什么，然后从新序列的第一部分预测序列的其余部分。
以下图为例。神经网络将以灰色模式输入，并学习如何预测序列中的下一个模式。然后用户将蓝色形状放入网络并希望将绿色形状取出。
是否有一个神经网络可以执行这种仅基于少量示例完成模式的功能，以根据它看到的其他模式启动模式？
编辑：更正图像并添加更多上下文
这个想法很简单，但它需要一些时间来发展。
假设：我假设在您的问题中，最终模型将看到所有可能的形状。
你的算法需要一个卷积神经网络来通过提取特征来理解每个形状，但你只需要非常小心池化。
那么你需要的是一个循环神经网络。在您展示的示例（形状的图像）中，我们有二元组（2 的序列），这意味着我们将第一个形状作为输入，第二个形状作为目标。在这种情况下，正常的 RNN 应该可以工作。
但是，如果您有许多形状的序列，例如 10 个形状，假设最终形状第 10 个是目标；而且，如果序列的方式是第 10 种形状可能更多地取决于初始形状（例如第 1 种或第 2 种形状），那么除了 RNN 之外，您还需要考虑的是长短期记忆（LSTM）。
我想不出比这更简单的解决方案。