我有示例数据，其中包含x-y平面上点的坐标（例如2.0000，4.0000），接下来使用蒙特卡洛方法，在这些坐标上添加一个小的随机误差，以模拟计量机器测量的一组点。

这听起来可能很简单，但我真的不确定接下来该如何处理这些数据，我试图建立一个模型来预测测量误差，但我对整个概念的可视化存在问题，即网络的输入层应该包含接收点真实坐标和模拟坐标的神经元，还是只包含模拟坐标？或者我应该估计每个模拟点的测量误差，并在输入层中与这些点的坐标一起使用？此外，网络的输出层应该有多少个神经元，我应该如何解释这些数据？我知道这可能不是对问题的完美描述，但我在这方面完全是个新手，因此任何理论帮助或实际例子都将非常受欢迎。

回答：

我甚至不确定这是否可行，除非这些点始终是整数，在这种情况下，你可以不用神经网络就能做到这一点。但无论如何，以下是你的问题的答案：

你应该只将模拟坐标输入到模型中。

输出层应该有2个神经元，一个输出x维度的估计误差，另一个输出y维度的估计误差。

训练过程如下：你将模拟点输入到网络的输入层，让网络预测x和y轴的误差，然后你将预测结果与真实（正确）的结果进行比较。如果预测结果是正确的，你可以继续处理下一个样本（坐标对），如果它们不相同，你就通过反向传播和随机梯度下降更新权重。你重复这个过程进行所需的轮数，具体取决于你的数据（微调轮数，使其既不太低也不太高）。

希望这能为你澄清一些问题 🙂