Machine learning 用神经网络实现二维/三维阴影

在用java编写了一个简单的反向传播+前馈神经网络类之后，我尝试使用阴影投射器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总计）：

• 点光源坐标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，目标总数）：

• （点i）：有阴影（1.0f）或无阴影（0.0f）

问题：它需要思考多少个神经元？我是否必须尝试每个隐藏层的神经元数量、隐藏层数量、最小训练迭代次数等的所有组合？ 有没有办法预见到这一点

问题：与普通光线跟踪器相比，这种方法对数百万个顶点的性能如何（NN似乎比光线跟踪器更令人尴尬地平行）

问题：与普通光线跟踪器相比，这种方法对数百万个顶点的性能如何（NN似乎比光线跟踪器更令人尴尬地平行）

您试图解决的问题似乎不是机器学习模型的问题。这些方法应该应用于复杂的统计数据问题，对于人类来说，找到好的算法解决方案太难了。这些简单的问题（从某种意义上说，你可以找到高效的算法），你可以深入分析（因为它只是2/3维的数据），应该使用经典的方法，而不是神经网络（或任何其他machnie学习模型）

即使你尝试这样做，你对问题的描述准备得相当糟糕，网络也不会通过显示这样的数据来学习“影子的想法”，有两个多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”方案相比

总之，没有理由使用这些方法，事实上，使用它们：

• 不会很好地工作，因为问题的表现不好（而且我看不到“从头到脚”的良好表现）
• 即使它能起作用，也不会有效

问：它需要思考多少个神经元？我是否必须尝试每个隐藏层的神经元数量、隐藏层数量、最小训练迭代次数等的所有组合？有没有办法预见到这一点

正如我之前所说的，无论您使用什么参数，它都无法很好地学习此类数据。但对于“未来参考”-对于“简单”神经网络，实际上你总是需要一个隐藏层。在大多数情况下，更多的隐藏层实际上没有帮助，因为渐变现象正在消失（深度学习是一个成功的解决方案）。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。一个好的选择是使用大量隐藏单元并添加强正则化，这将防止网络过度拟合，这可能是隐藏层过大的结果。Regarin迭代次数-您应该永远不要将其用作参数。只要网络不满足某些定义良好的停止标准，就应该对其进行训练—迭代次数不在其中。最经典和最有效的方法是测量泛化误差（独立验证集上的误差），当误差开始上升时，停止学习过程

问题：与普通光线跟踪器相比，这种方法对数百万个顶点的性能如何（NN似乎比光线跟踪器更令人尴尬地平行）

您试图解决的问题似乎不是机器学习模型的问题。这些方法应该应用于复杂的统计数据问题，对于人类来说，找到好的算法解决方案太难了。这些简单的问题（从某种意义上说，你可以找到高效的算法），你可以深入分析（因为它只是2/3维的数据），应该使用经典的方法，而不是神经网络（或任何其他machnie学习模型）

即使你尝试这样做，你对问题的描述准备得相当糟糕，网络也不会通过显示这样的数据来学习“影子的想法”，有两个多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”方案相比

总之，没有理由使用这些方法，事实上，使用它们：

• 不会很好地工作，因为问题的表现不好（而且我看不到“从头到脚”的良好表现）
• 即使它能起作用，也不会有效

问：它需要思考多少个神经元？我是否必须尝试每个隐藏层的神经元数量、隐藏层数量、最小训练迭代次数等的所有组合？有没有办法预见到这一点

正如我之前所说的，无论您使用什么参数，它都无法很好地学习此类数据。但对于“未来参考”-对于“简单”神经网络，实际上你总是需要一个隐藏层。在大多数情况下，更多的隐藏层实际上没有帮助，因为渐变现象正在消失（深度学习是一个成功的解决方案）。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。一个好的选择是使用大量隐藏单元并添加强正则化，这将防止网络过度拟合，这可能是隐藏层过大的结果。Regarin迭代次数-您应该永远不要将其用作参数。只要网络不满足某些定义良好的停止临界值，就应该对其进行训练