Python-deep-learning-fundamentals
提供:Dev Guides
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。
深層学習モデル/アルゴリズム
さまざまなディープラーニングモデル/アルゴリズムについて学びましょう。
ディープラーニング内の人気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
- 深い信念のネットワーク
- 生成的敵対ネットワーク
- オートエンコーダーなど
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発生する場所です。 非表示のレイヤーを詳しく見ると、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を明らかにすることができます。
次のレイヤー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り、ニューラルネットワークのさまざまなアーキテクチャが形成されます。
出力を計算するための擬似コード
以下は Forward-propagating Neural Network の出力を計算するための擬似コードです-
- #node []:=トポロジー的に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、
- #最初のRノードは入力ノードで、最後のSノードは出力ノードです。
- #incoming [x]:=ノードxに接続されたノード
- #weight [x]:= xへの着信エッジの重み
各ニューロンxについて、左から右へ-
- x ⇐ Rの場合:何もしない#入力ノード
- 入力[x] = [incoming [x]]のiの[output [i]
- weighted_sum = dot_product(weights [x]、inputs [x])
- output [x] = Activation_function(weighted_sum)