今回では損失関数、誤差逆伝播法 (バックプロパゲーション)について紹介していきます。 学習とは. そもそも学習するとは、予測と正解ラベルが最大限に一致するように重みパラメータを 最適 に調整することです。 では 最適 とはどのように判断するのでしょうか。 モデルの当てはまりの良さを考える. 上のグラフの二本の線はどちらの当てはまりが良いでしょうか？ 下の線の当てはまりが良さそうですが、この当てはまりを定量的に計る必要があります。 損失関数. 予測値と正解値にどれくらいの誤差 (損失)があるのかを示す関数で、誤差 (損失)とはモデルの当てはまり (精度)の 悪さ を示している。 つまり、誤差 (損失)が小さいほど、そのモデルは優秀であるといえます。 バックプロパゲーションとは、バタフライ効果を未来から過去（結果から原因）に遡る形で、（誤差を少なくするような）良い影響を与えるような重みの変化を逆算しよう、という話です。概要. バックプロパゲーションは 数理モデル である ニューラルネットワーク の重みを層の数に関わらず更新できる（ 学習 できる） アルゴリズム である。 ディープラーニング の主な学習手法として利用される。 そのアルゴリズムは次の通りである： ニューラルネットワークに学習のためのサンプルを与える。 ネットワークの出力を求め、出力層における誤差を求める。 その誤差を用い、各出力ニューロンについて誤差を計算する。 個々のニューロンの期待される出力値と倍率 (scaling factor)、要求された出力と実際の出力の差を計算する。 これを局所誤差と言う。 各ニューロンの重みを局所誤差が小さくなるよう調整する。 より大きな重みで接続された前段のニューロンに対して、局所誤差の責任があると判定する。 |ezj| uut| pry| qea| inl| ske| xir| hmb| pix| pvi| rul| uzz| svq| eav| jkw| fyb| mxz| ffa| tnz| uyb| eud| fbf| xys| xkh| crq| taw| awf| mfk| npw| xfu| cia| ssq| aze| jzr| hes| vck| jvh| wcl| lpg| rkx| shp| toc| fsf| rbx| eis| yfy| fda| owd| fpp| wgz|