如何针对任意问题自动选择神经网络的拓扑？

假设我想用神经网络解决一个我无法适应现有拓扑（感知器，Konohen等）的问题，或者我根本不知道这些拓扑的存在，或者我无法理解它们的存在机械师，我依靠自己。

对于一个任意问题，我该如何自动选择神经网络的拓扑（即层数，激活类型，连接类型和方向等）？

我是一个初学者，但是我意识到，在某些拓扑结构中（或者至少在感知器中），很难甚至不可能理解内部机制，因为隐藏层的神经元不表达任何数学上有意义的上下文。

我认为在这种情况下，您可能想使用遗传算法来生成拓扑，而不是自己工作。我个人喜欢NEAT（增强拓扑的神经进化）。

最初的NEAT论文涉及连接权重的演变，但是如果您只想要拓扑，则可以使用权重算法。如果不确定使用哪个激活功能，也可以混合使用激活功能。这是使用反向传播和多种神经元类型的示例。

另一个答案提到了NEAT以生成网络权重或拓扑。论文NeuroEvolution：传递函数演化和异构网络的重要性，也简要介绍了神经进化技术，为NEAT提供了另一种方法。它使用笛卡尔遗传编程来发展多种激活功能。