ニューラルネットワークはとてもシンプルです。機械学習の入門書をご紹介します | 役立つ情報

[[331060]]

この記事はAI新メディアQuantum Bit（公開アカウントID：QbitAI）より許可を得て転載しています。転載の際は出典元にご連絡ください。

機械学習を学びたいですか?ここに入門書があります。

ニューラルネットワーク、ランダムフォレスト、コンピュータービジョンがすべて含まれています。

この Facebook ソフトウェアエンジニアは、入門用の投稿を作成しました。

基礎知識ゼロの初心者向けに特別に設計されています。

基礎的な理解がある学生も見学に来て理解を深めることもできます。

ニューラルネットワークを例に見てみましょう。

ニューラルネットワーク入門

著者は、ニューラルネットワークは複雑ではないと述べています。

「ニューラルネットワーク」という用語はよく使われており、難しいと思われることが多いですが、実際はもっと簡単です。

そうですか？まずは見てみましょう。

ニューラルネットワークの理解は、主にニューロン、ニューラルネットワークの構築、ニューラルネットワークのトレーニングの 3 つの部分に分かれています。

ニューロン - ニューラルネットワークの基本単位

2 入力ニューロンは次のようになります。

まず、ニューロンは入力 x1 と x2 を受け取り、いくつかの数学演算を実行してから、出力 y を生成します。

ニューロンでは通常、次の 3 つのことが起こります。

1. 各入力に、対応する重みが掛けられます。

2. 重み付けされた入力をすべて加算し、バイアス b を追加します。

3. 活性化関数をインポートし、出力 y を取得します。

一般的に、活性化関数はシグモイド関数（S 型関数とも呼ばれる）を使用します。任意の値（-∞、+∞）を入力すると、最終出力は 0 から 1 の範囲になります。

この点に関して彼は簡単な例も挙げました。

活性化関数をS型関数、2入力ニューロンを例にとり、パラメータw=[0,1] (w1=0、w2=1)、b=4を設定します。

入力: x=[2,3]

出力: y=0.999

これは最も単純なニューラルネットワーク、つまりフィードフォワードニューラルネットワークです。

このため、著者はプロセス全体を Python でも実装しました。

 numpyをnpとしてインポートする
シグモイド(x)を定義します:
  # 活性化関数: f(x) = 1 / ( 1 + e^(-x))
 1 / ( 1 + np.exp(-x))を返す
クラスニューロン:
  def __init__(自己、重み、バイアス):
    self.weights = 重み
    自己バイアス = バイアス
  def フィードフォワード(自己、入力):
    # 入力に重みを付け、バイアスを追加し、活性化関数を使用する
    合計 = np.dot(self.weights, inputs) + self.bias
シグモイド(合計)を返す
重み = np.array([ 0 , 1 ]) # w1 = 0 、 w2 = 1
バイアス = 4 # b = 4
 n = ニューロン(重み、バイアス)
 x = np.array([ 2 , 3 ]) # x1 = 2 、 x2 = 3
 print(n.feedforward(x)) # 0.9990889488055994

ニューラルネットワークの構築

ニューロンが相互に接続されてニューラルネットワークを形成します。

ニューラルネットワークは、2 つの入力、2 つのニューロンを持つ隠し層、および 1 つのニューロンを持つ出力層で構成されます。

複数の隠しレイヤーを使用できることに注意してください。たとえば、次のようになります。

前の例の条件を引き続き採用してみましょう。

ニューラルネットワークには、任意の数のレイヤーと任意の数のニューロンを含めることができます。

以下は Python コードの例です。

 numpyをnpとしてインポートする
# ... 前のセクションのコードをここに記述
クラスOurNeuralNetwork:
 '' '
  以下の機能を備えたニューラル ネットワーク:
    - 2つの入力
    - 2つのニューロン（h1、h2）を持つ隠れ層
    - 1つのニューロンを持つ出力層（o1）
  各ニューロンは同じ重みとバイアスを持ちます。
    - w = [ 0 , 1 ]
    - b = 0
 '' '
  __init__(self)を定義します。
    重み = np.array([ 0 , 1 ])
    バイアス = 0
    # ここでのニューロンクラスは前のセクションからのものです
    self.h1 = ニューロン(重み、バイアス)
    self.h2 = ニューロン(重み、バイアス)
    self.o1 = ニューロン(重み、バイアス)
  def フィードフォワード(self, x):
    out_h1 = self.h1.feedforward(x)
    out_h2 = self.h2.feedforward(x)
    # o1の入力はh1とh2からの出力です
    out_o1 = self.o1.feedforward(np.array([out_h1, out_h2]))
 out_o1を返す
ネットワーク = OurNeuralNetwork()
 x = np.array([ 2 , 3 ])
 print(network.feedforward(x)) # 0.7216325609518421

ニューラルネットワークのトレーニング - 損失関数の計算

私たちが次のようなプロジェクトに取り組んでいるとします。体重と身長から性別を判定します。

体重と身長を入力として、性別を出力として取得します。

男性は 0、女性は 1 に設定され、残りのデータは簡略化されました。

ニューラルネットワークをトレーニングする前に、まず、そのネットワークのパフォーマンスがどの程度優れているか、さらに優れたパフォーマンスが得られるかどうかを定量化する方法、つまり損失関数が必要です。

ここでは、計算に損失関数の一種である平均二乗誤差を使用します。

予測結果が良くなればなるほど、損失は少なくなります。ニューラルネットワークをトレーニングする目的は、損失を可能な限り減らすことです。

すべての人が男性であると確信している場合、つまり予測値が 0 である場合、何が起こるでしょうか?

Python の例:

 numpyをnpとしてインポートする
def mse_loss(y_true, y_pred):
  # y_true と y_pred は同じ長さの numpy 配列です。
 ((y_true - y_pred) ** 2 ).mean()を返す
y_true = np.array([ 1 , 0 , 0 , 1 ])
 y_pred = np.array([ 0 , 0 , 0 , 0 ])
 print(mse_loss(y_true, y_pred)) # 0.5