ニューラル ネットワークについての予備的な理解

ユニットはノードまたはニューロンとも呼ばれ、ニューラル ネットワークの中核です。各ユニットは 1 つ以上の入力を受け取り、各入力に重みを乗算して、重み付けされた入力をバイアス値に加算します。次に、この値がアクティベーション関数に入力されます。ニューラル ネットワークでは、ユニットの出力を他のニューロンに送信できます。

フィードフォワード ニューラル ネットワークとしても知られる多層パーセプトロンは、現在最も広く使用されており、最も単純な人工ニューラル ネットワーク モデルです。これは相互に接続された複数のレイヤーで構成され、各レイヤーは入力フィーチャとターゲット値を接続します。このネットワーク構造は、入力特徴値がネットワークを通じて「順方向」に渡され、最終出力がターゲット出力と一致するまで各層が特徴値を変換するため、「フィードフォワード」と呼ばれます。

フィードフォワード ニューラル ネットワークには、3 種類の層があります。各ユニットには、入力層内の単一のフィーチャの観測値が含まれます。 100 個のフィーチャ観測がある場合、入力層には 100 個のノードがあります。出力層は、隠れ層の出力をニューラル ネットワークに有用な値に変換します。バイナリ分類を実現するには、出力層でシグモイド関数を使用して、出力を 0 または 1 のクラス確率にスケーリングします。隠れ層は入力層と出力層の間に位置し、入力層からの特徴量の処理を担当します。最後に、出力層はそれらをターゲット クラスと同様の値に変換します。

ニューラル ネットワークのパラメーターは、通常、ガウス分布または正規一様分布から得られる小さなランダム値に初期化されます。損失関数は、ネットワークの出力値と観測値との差を、ネットワークを介して供給された後の真の値と比較して測定するために使用されます。順伝播アルゴリズムは、どのパラメーターが予測値と真の値の差に最も大きく寄与するかを決定するために使用されます。最適化アルゴリズムを通じて、決定されたサイズに従って各重みが調整されます。

ニューラル ネットワークは、順伝播と逆伝播を複数回繰り返すことで、トレーニング データ内の各観測値を学習します。各観測値がネットワーク経由で送信される回数はエポックと呼ばれ、通常、トレーニングはパラメーターを繰り返し調整するために複数のエポックで構成されます。

以上がニューラル ネットワークについての予備的な理解の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。