ゼロから作るDeep Learning

ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装

• 作者: 斎藤 康毅
• 出版社/メーカー: オライリージャパン
• 発売日: 2016/09/24
• メディア: 単行本（ソフトカバー）

Deep　Learningとは何かを学ぶ。
＜パーセプトロン＞
パーセプトロンは、入出力を備えたアルゴリズムであり、ある入力を与えたら、
決まった値が出力される。

パーセプトロンでは、「重み」と「バイアスを」をパラメーターとして設定する。
ANDやORゲートなどの理論回路を表現。

単層のパーセプトロンは、XORは表現できないが、２層のパーセプトロンはXORの表現可能
単層のパーセプトロンは、線形領域の表現のみであるが、多層は非線形領域を表現可能。

＜ニューラルネットワーク＞

ニューラルネットワークでは、活性化関数としてシグモイド関数や
ReLU関数のような滑らかなに変化する関数を利用する。

ニューラルネットワークの実装には、多次元配列が必要。

機械学習は、回帰問題と分類問題に大別できる。
出力層で使用する活性化関数は、回帰問題では恒等関数、
分類問題ではソフトマックス関数を一般的に使用する。

分類問題では、出力層のニューロンの数を分類するクラス数に設定

ニューラルネットワークの学習の最終目標は、損失関数という「指標」を導入、
損失関数を基準として、その値が最も小さくなる重みパラメータを探し出すこと。
この値を探す手法として、関数の傾きを使った勾配法がある。

ニューラルネットワークの構成要素をレイヤとして実装することで、
勾配の計算を効率的に求めることが可能。（誤差逆伝播法）

CNN（convolutional neural network：畳み込みニューラルネットワーク）は、
画像認識や音声認識など様々に使用されている。
畳み込み層で行う処理は、畳み込み演算、画像処理で言うところの「フィルター演算」。

CNNは、全結合層のネットワークに対して、畳み込み層とプーリング層が新たに加わる。

Deep Learning(Neura Network)は、
物体認識だけでなく、 物体検知やセグメンテーションに利用可能。
また、アプリケーションとしては、画像のキャプション生成、画像の生成、強化学習、
更には自動車運への利用が可能。

タグ：AI ディープラーニング