神经网络的2D / 3D阴影

Question

在java中编写一个简单的反向传播+前馈神经网络类后，我尝试使用阴影施法器NN来检查四边形（或三角形）是否在顶点上投射阴影。

输入（标准化，8 + 2 * targetNumber total）：

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

输出（标准化，targetNumber总计）：

• （第i点）：阴影（1.0f）或无阴影（0.0f）

问题：需要考虑多少个神经元？我是否必须尝试神经元数量 - 隐藏层，隐藏层数，最小训练迭代，......的所有组合？ 有没有办法预见到这一点？

问题：对于数百万个顶点，这种方法与通常的光线跟踪器的性能如何相比（NN似乎比光线跟踪器更令人尴尬地平行）？

Answer 1

  

问题：对于数百万个顶点，这种方法与通常的光线跟踪器的性能如何相比（NN似乎比光线跟踪器更令人尴尬地平行）？

您尝试解决的问题似乎不是机器学习模型的问题。对于复杂的统计数据的问题，应该使用这样的方法，对于这些问题，发现良好的算法解决方案对于人来说太难了。你可以深入分析这些容易出现的问题（在某种意义上，你可以找到高效的算法）（因为它只是2/3维数据）应该使用经典方法，而不是神经网络（也没有任何其他machnie学习模型）来解决）。

即使你会尝试这样做，你对问题的表达也准备不足，网络不会通过显示这样的数据来学习“影子的想法”，有两个很多模型可以用神经网络表示一致与您的数据。即使是受过训练的网络的效率似乎也不能与“算法”替代方案相比。

总结一下 - 没有理由使用这些方法，事实上，使用它们：

• 由于问题表达不好而无法正常工作（我从头顶看不到好的代表“）
• 即使它会起作用，也不会有效

  

问题：需要考虑多少神经元？我是否必须尝试神经元数量 - 隐藏层，隐藏层数，最小训练迭代，......的所有组合？有没有办法预见到这一点？

正如我之前所说，无论你使用什么参数，它都不会很好地学习这类数据。但对于“未来参考” - 对于“简单”神经网络，实际上你总是只需要一个隐藏层。由于梯度消失现象（深度学习是一次成功的修复），在大多数情况下，更多的隐藏层实际上并没有帮助。隐藏图层大小有一些拇指规则，但没有真正的数学答案。一个好的选择是使用大量隐藏单元并添加强正规化，这将防止网络过度拟合，这可能是由于隐藏层太大而导致的。 Regarind迭代次数 - 您应该从不将其用作参数。只要网络不符合某些明确定义的停止标准，就应对网络进行培训 - 迭代次数不是其中之一。最经典和最好的工作是测量泛化误差（独立的验证集上的错误），当它开始上升时 - 停止学习过程。