基于神经网络的二维/三维阴影

Question

在用java编写了一个简单的backpropagated+feedforwarded神经网络类之后，我尝试了一个阴影机神经网络来检查一个四角体(或三角形)是否在一个顶点上投下阴影。

输入(标准化，8+2*targetNumber总计)：

• 点光坐标xL和yL
• 三角形或四边形xt1，xt2，xt3，yt1，yt2，yt3坐标
• 目标顶点坐标xT(i)，yT(i)

输出(标准化，targetNumber总计)：

• (第一点)：阴影(1.0F)或无阴影(0.0f)

问题：，它需要思考多少个神经元？我必须尝试所有的组合神经元数字-每隐层，隐层数，最小训练迭代，.？有什么办法能预见到吗？

问题：，对于数百万个顶点来说，这种方法的性能如何？(NN似乎比射线追踪器更令人尴尬)？

​

​

Answer 1

问:对于数百万个顶点来说，这种方法的性能如何？(NN似乎比射线追踪器更令人尴尬)？

您试图解决的问题似乎不是机器学习模型的问题。这类方法应该应用于复杂的统计数据的问题上，因为要想找到好的算法对人类来说太困难了。这样容易的问题(在这个意义上，你可以找到高效的算法)，你可以深入分析(因为它只是2/3维数据)，应该使用经典的方法，而不是神经网络(或任何其他的宏观学习模型)。

即使你尝试这样做，你对问题的描述也准备得很糟糕，网络不会通过向它展示这些数据来学习“影子的概念”，有两个模型可以用神经网络来表示与你的数据一致。即使是经过训练的网络的效率似乎也无法与“算法”替代方案相媲美。

总之，没有理由使用这些方法，事实上，使用这些方法：

• 由于问题的代表性不好，所以不能很好地工作(而且我看不出“头上”有一个好的表象)
• 即使它能起作用，也不会有效。

问:它需要思考多少个神经元？我必须尝试所有的组合神经元数字-每隐层，隐层数，最小训练迭代，.？有什么办法能预见到吗？

正如我前面说过的，不管您使用什么参数，它都不会很好地学习这类数据。但是对于“未来参考”--对于“简单”的神经网络，实际上，总是需要一个隐藏层。在大多数情况下，由于渐变现象的消失，更多的隐藏层实际上不会有帮助(对于这种现象，深度学习是一个成功的解决办法)。对于隐藏层的大小，有一些经验法则，但没有真正的数学答案。一个很好的选择是使用大量的隐藏单元，并增加强大的正则化，这将防止网络过度拟合，这可能是太大的隐藏层的结果。Regarind迭代次数--您应该，而不是，使用它作为参数。网络应该被训练，只要它不满足一些定义良好的停止标准-迭代次数不是其中之一。最经典和最有效的方法是测量泛化误差(独立验证集上的错误)，以及当它开始上升时-停止学习过程。