[PYTHON] Bedeutung von Deep-Learning-Modellen und -Parametern

Überblick

Dieser Artikel beschreibt Modelle und Parameter für diejenigen, die noch nicht mit Deep Learning vertraut sind.

Der Zweck ist es, den Lesern zu helfen, zu verstehen, was ein Modell ist, was ein Parameter ist und warum mit diesen beiden eine KI erstellt werden kann.

Vorausgesetztes Wissen

Wie KI gemacht werden kann

In der KI-Entwicklung wie Deep Learning erfordert KI immer ** Input und Output **. Beispielsweise ist im Fall der Bilderkennung AI die Eingabe das zu erkennende Bild und die Ausgabe der Name des erkannten Tieres.

Sie können eine KI erstellen, indem Sie den relationalen Ausdruck zwischen y und x finden, wobei $ y = f (x) $ ist, wenn die Eingabe x und die Ausgabe y ist, dh $ f (x) $.

Aktuelles Beispiel

Ich werde Ihnen die Vorgehensweise zeigen, um KI mit einfachen Daten zu erstellen. Schau auf den Tisch

Griff[kg] Ball Flugentfernung[m]
35 71
45 92
38 76
15 31
10 19
20 39

Diese Tabelle zeigt die Flugstrecke y [m], die eine Person mit einer Griffkraft x [kg] beim Werfen des Balls fliegen wird. Dies wird in einem Diagramm mit der x-Achse als Griffkraft und der y-Achse als Flugstrecke des Balls dargestellt.

image.png

Wenn ich mir die Anordnung dieser Punkte anschaue, denke ich, dass die Beziehung zwischen Griffkraft und Ballflugdistanz durch eine gerade Linie ausgedrückt werden kann. Die Formel für eine gerade Linie lautet $ y = ax + b $.

Diesmal ist die x-Achse die Griffkraft [kg] und die y-Achse die Ballflugdistanz [m]. Wenn also x die Griffkraft [kg] und y die Ballflugdistanz [m] ist, gilt die Beziehung $ y = ax + b $. Kann aus dieser Zahl vorhergesagt werden.

Dann finden Sie a und b. Ursprünglich wird es nach der Minimum-Square-Methode berechnet, aber es ist schwierig, deshalb werde ich hier nicht darauf eingehen.

Wenn diesmal a = 2 und b = 0 ist, überlappt die gerade Linie fast alle Punkte, wie in der folgenden Abbildung gezeigt. (Die gepunktete Linie in der folgenden Abbildung ist $ y = 2x + 0 $.)

image.png

Diese gerade Linie ** y = 2x + 0 ** kann verwendet werden, um die Entfernung vorherzusagen, in der ein Ball von Personen mit unterschiedlichen Griffen geworfen werden kann. Zum Beispiel kann eine Person mit einem Griff von 50 [kg] einen Ball von $ y = 2 x 50 = 100 $ um 100 [m] werfen.

Was sind Modelle und Parameter?

In dem oben gezeigten Beispiel haben wir erwartet, dass die Beziehung zwischen x und y $ y = ax + b $ ist. Zu diesem Zeitpunkt wird die Form selbst von $ y = ax + b $ als Modell bezeichnet, und andere Zeichen als x und y wie a und b werden als Parameter bezeichnet.

Bedeutung der Bestimmung des Modells

Wenn im obigen Beispiel das Modell beispielsweise $ y = ax ^ 5 + bx ^ 4 + cx ^ 3 + dx ^ 2 + ex + f $ ist, ist es wie in der folgenden Abbildung gezeigt. (Die Parameter a bis f wurden von Excel erhalten.)

image.png

Es geht über alle Punkte, aber dieses Modell scheint die Beziehung zwischen Griff und Ballabstand nicht richtig darzustellen. Wenn Sie kein geeignetes Modell wie dieses entwerfen, wird die Genauigkeit der KI erheblich verringert.

Fazit

Die tatsächlichen Daten sind schwer grafisch darzustellen und die Modelle sind kompliziert und schwer zu verstehen. Selbst wenn Sie sich den Code des Pioniers ansehen, wird es Ihnen leichter fallen, sich Gedanken zu machen, wenn Sie ihn lesen und verstehen, dass Sie tatsächlich so etwas tun.

Ergänzung

Eigentlich glaube ich nicht, dass es eine große Korrelation zwischen Grip und Ballflugdistanz gibt.

Recommended Posts

Bedeutung von Deep-Learning-Modellen und -Parametern
Deep Learning 1 Übung des Deep Learning
Ein Memorandum zum Studieren und Implementieren von Deep Learning
Paralleles Lernen von Deep Learning durch Keras und Kubernetes
Zählen Sie die Anzahl der Parameter im Deep-Learning-Modell
Deep Running 2 Tuning von Deep Learning
DNN (Deep Learning) Library: Vergleich von Chainer und TensorFlow (1)
Tiefes Lernen der Verstärkung 2 Implementierung des Lernens der Verstärkung
Sammlung und Automatisierung erotischer Bilder durch Deep Learning
[Deep Learning von Grund auf neu] Implementierung der Momentum-Methode und der AdaGrad-Methode
Untersuchung der Austauschprognosemethode mit Deep Learning und Wavelet-Konvertierung - Teil 2-
Klassifizieren Sie CIFAR-10-Bilddatensätze mithilfe verschiedener Modelle des Deep Learning
Bedeutung des maschinellen Lernens und des Mini-Batch-Lernens
Organisation von Plattformen für maschinelles Lernen und tiefes Lernen
Tiefes Lernen
Othello-Aus der dritten Zeile von "Implementation Deep Learning" (3)
Einführung in Deep Learning ~ Falten und Pooling ~
Versuchen Sie mit Kipoi tiefes Erlernen der Genomik
Visualisieren Sie die Auswirkungen von Deep Learning / Regularisierung
Emotionale Analyse von Tweets mit Deep Learning
Lernbericht über das Lesen von "Deep Learning von Grund auf neu"
Othello-Aus der dritten Zeile von "Implementation Deep Learning" (2)
Diagramm der Geschichte der Anzahl der Ebenen des tiefen Lernens und der Änderung der Genauigkeit
Untersuchung der Austauschprognosemethode mittels Deep Learning und Wavelet-Konvertierung
Die Geschichte des tiefen Lernens mit TPU
Chainer und Deep Learning durch Funktionsnäherung gelernt
[Für Anfänger künstlicher Intelligenz] Maschinelles Lernen / Deep Learning Programming Lernpfad und Nachschlagewerke
Numerai Turnier-Fusion von traditionellen Quants und maschinellem Lernen-
Organisieren Sie die Bedeutung von Methoden, Klassen und Objekten
Deep Learning Memorandum
[Lernnotiz] Deep Learning von Grund auf ~ Implementierung von Dropout ~
Starten Sie Deep Learning
Grundlegendes Verständnis der Stereo-Tiefenschätzung (Deep Learning)
Deep Learning von Grund auf neu Die Theorie und Implementierung des mit Python erlernten Deep Learning Kapitel 3
Erweitern und erweitern Sie Ihren eigenen Deep Learning-Datensatz
Erstellen Sie eine Python-Umgebung, um die Theorie und Implementierung von Deep Learning zu erlernen
Python Deep Learning
Einführung in Deep Learning ~ Lokalisierungs- und Verlustfunktion ~
Deep Learning × Python
Implementierung eines Deep Learning-Modells zur Bilderkennung
Tiefes Lernen durch Implementierung (Segmentierung) ~ Implementierung von SegNet ~
Über flache und tiefe Kopien von Python / Ruby
Übersicht und nützliche Funktionen von Scikit-Learn, die auch für Deep Learning verwendet werden können
Python vs Ruby "Deep Learning from Grund" Kapitel 1 Diagramm der Sin-Funktion und der Cos-Funktion
Deep Learning of Object Detection 7 Artikel zum Lesen und Zusammenfassen von Punkten [Road to Efficient Det]
Mayungos Python-Lernhinweis: Liste der Geschichten und Links
Ich habe den Deep Learning Library Chainer installiert und verwendet
Deep Learning Bildanalyse beginnend mit Kaggle und Keras
Über das Testen bei der Implementierung von Modellen für maschinelles Lernen
Anwendung von Deep Learning 2 von Grund auf neu Spam-Filter
Techniken zum Verständnis der Grundlagen von Deep-Learning-Entscheidungen
Othello ~ Aus der dritten Zeile von "Implementation Deep Learning" (4) [Ende]
Vorhersagen von Tags durch Extrahieren von Musikfunktionen mit Deep Learning
Künstliche Intelligenz, maschinelles Lernen, tiefes Lernen zu implementieren und zu verstehen
Katzen haben es schon satt, locker und locker zu lernen
DEEP PROBABILISTIC PROGRAMMING --- Bibliothek "Deep Learning + Bayes" --- Einführung von Edward
[TF] Speichern und Laden von Tensorflow-Trainingsparametern
Erstes tiefes Lernen ~ Kampf ~
Python: Deep Learning-Praxis