What
Dies ist ein Artikel, der zusammenfasst, was mir aufgefallen ist und was ich beim Erlernen des maschinellen Lernens mit Chainer untersucht habe. Dieses Mal werden wir die Grundlagen neuronaler Netze untersuchen.
Es wurde nach meinem Verständnis geschrieben, daher kann es falsch sein. Ich werde alle Fehler korrigieren, bitte vergib mir.
Content
Ein neuronales Netzwerk bezieht sich auf einen Berechnungsgraphen, der durch Verbinden differenzierbarer Transformationen erstellt wird. Hier sind einige andere Begriffe, die Sie über das Set wissen sollten. Knoten: Eingabe oder (endgültige) Ausgabe: Das Berechnungsergebnis in der Mitte ist ebenfalls ein Knoten (wie es scheint) Kante: Eine Linie, die Knoten verbindet. Machen Sie einfach den Staatsübergang leichter zu sehen? Es scheint, dass maschinelles Lernen unter Verwendung eines neuronalen Netzwerks mit einer großen Anzahl dieser Knoten als tiefes Lernen bezeichnet wird. (Endlich herausgekommen)
Layer Eingabeebene-> Zwischenebene oder versteckte Ebene (Berechnungsprozess) -> Ausgabeebene.
Die Anzahl der Knoten in der mittleren Schicht ist beliebig. Der Sinn des Designers wird in Frage gestellt. Von Ihnen festgelegte Parameter werden als Hyperparameter bezeichnet. Es gibt verschiedene Arten von neuronalen Netzen. (Vollständige Verknüpfung, Faltung, rekursiver Typ usw.)
Wenn eine Eingabe gegeben wird, wird jede Schicht des neuronalen Netzwerks der Reihe nach berechnet, und die Berechnung der Ausgabe wird als Vorwärtsausbreitung bezeichnet.
Eine lineare Konvertierung ist möglich, wenn der relationale Eingabe / Ausgabe-Ausdruck unter Verwendung einer Matrix ausgedrückt werden kann.
Wenn Sie nichtlineare Ein- / Ausgaben verarbeiten möchten, behandeln Sie das neuronale Netzwerk als nichtlinear, indem Sie einen Prozess der nichtlinearen Konvertierung des linearen Konvertierungsergebnisses einfügen. Eine Funktion, die linearisiert → nicht linearisiert, wird als Aktivierungsfunktion bezeichnet. Es scheint verschiedene Aktivierungsfunktionen zu geben.
Bisher werde ich dieses Mal das nächste Mal weitermachen
Comment Ich unterscheide oft zwischen experimentellen und theoretischen Systemen, aber ich denke, es ist absolut notwendig, jemanden zu haben, der beides in nicht allzu ferner Zukunft verstehen kann. Maschinelles Lernen Als ich sagte, dass ich es selbstständig studieren und beherrschen würde, erhielt ich Unterstützung. Geben wir unser Bestes
Recommended Posts