ニューラルネットワークを使用するうえで気おつけなければならない問題として、過学習があります。ニューラルネットワークではこの過学習を防ぐための方法の一つとしてDropoutという手法があります。
今回はこのDropoutについて調べました。
Dropoutを利用したニューラルネットワークの過学習の抑制
タグ: neural network
ニューラルネットワーク・ディープラーニングの基本的な活性化関数
ニューラルネットワーク・ディープラーニングで学習を行う際には重要となるものはいくつかありますが、その中の一つとして活性化関数があります。
この活性化関数によってネットワークの学習精度や時間に大きな差が出てしまいます。
そこで今回はニューラルネットワーク・ディープラーニングで使用されている基本的な活性化関数について調べました。
Keras版多層パーセプトロンによるMNISTデータセットの学習
KerasはTensorFlowのラッパーであり、TensorFlowと比べ簡単にモデルを作成することができます。
そこで今回はKerasを用いて多層パーセプトロンを作成し、MNISTの学習を行いました。
ニューラルネットワーク・ディープラーニングのまとめ
近年盛んに利用されている技術としてAIや機械学習があります。
その機械学習の中でもよく話題になるものとして、ディープラーニングがあります。
そこでディープラーニング・ニューラルネットワークに関する記事をまとめました。
畳み込みニューラルネットワークの基礎
多層パーセプトロンを使用して画像認識を行うことができます。
しかし多層パーセプトロンで画像認識を行うにはいくつか問題点があります。
そこで今回はより効率的に画像認識を行うことができる畳み込みニューラルネットワークについて調べました。
ニューラルネットワークによる数字認識 – MNISTデータセットの学習 –
機械学習のデータセットとして有名なものに MNIST というものがあります。
これは手書きの数字画像とその正解データを集めたもので、機械学習の画像認識能力のテストとしてよく利用されます。
今回はこのMNISTを用い、多層パーセプトロンで画像認識を行いました。
数値微分による勾配下降法 － ニューラルネットワークの学習とPythonによる実装
勾配下降法・損失関数・数値微分によるニューラルネットワークの学習
ニューラルネットワークの学習方法として勾配下降法があります。
この学習法は損失関数の数値微分を用いることでニューラルネットワークの重みを変更し、任意の関数を表すようネットワークを学習させます。
今回はこの勾配下降法・損失関数・数値微分について調べました。