Pythonディープラーニング-基礎
この章では、Pythonディープラーニングの基礎について説明します。
ディープラーニングモデル/アルゴリズム
ここで、さまざまな深層学習モデル/アルゴリズムについて学習しましょう。
ディープラーニングで人気のあるモデルのいくつかは次のとおりです-
- 畳み込みニューラルネットワーク
- リカレントニューラルネットワーク
- ディープビリーフネットワーク
- 生成的敵対的ネットワーク
- オートエンコーダなど
入力と出力は、ベクトルまたはテンソルとして表されます。たとえば、ニューラルネットワークには、画像内の個々のピクセルRGB値がベクトルとして表される入力がある場合があります。
入力層と出力層の間にあるニューロンの層は、隠れ層と呼ばれます。これは、ニューラルネットが問題を解決しようとするときにほとんどの作業が行われる場所です。隠れ層を詳しく見ると、ネットワークがデータから抽出することを学習した機能について多くのことが明らかになります。
ニューラルネットワークのさまざまなアーキテクチャは、次の層の他のニューロンに接続するニューロンを選択することによって形成されます。
出力を計算するための擬似コード
以下は、の出力を計算するための擬似コードです。 Forward-propagating Neural Network −
- ＃node []：=トポロジカルソートされたノードの配列
- ＃aからbへのエッジは、aがbの左側にあることを意味します
- ＃ニューラルネットワークにR入力とS出力がある場合、
- ＃次に、最初のRノードが入力ノードで、最後のSノードが出力ノードです。
- ＃incoming [x]：=ノードxに接続されたノード
- ＃weight [x]：= xへの入力エッジの重み
ニューロンxごとに、左から右へ-
- x <= Rの場合：何もしない＃その入力ノード
- 入力[x] = [入力[x]のiの出力[i]]
- weighted_sum = dot_product（weights [x]、inputs [x]）
- output [x] = Activation_function（weighted_sum）