Signification des modèles et paramètres d'apprentissage en profondeur

Aperçu

Cet article décrit des modèles et des paramètres pour les novices en apprentissage profond.

Le but est d'aider les lecteurs à comprendre ce qu'est un modèle, ce qu'est un paramètre et pourquoi l'IA peut être créée avec ces deux éléments.

Connaissances préalables

--Connaissance des fonctions en mathématiques

Comment l'IA peut être réalisée

Dans le développement de l'IA, tel que l'apprentissage en profondeur, l'IA nécessite toujours ** des entrées et des sorties **. Par exemple, dans le cas de la reconnaissance d'image AI, l'entrée est l'image à reconnaître et la sortie est le nom de l'animal reconnu.

L'IA peut être créée en trouvant l'expression relationnelle entre y et x, c'est-à-dire $ f (x) $ telle que $ y = f (x) $ lorsque l'entrée est x et la sortie est y.

Exemple réel

Je vais vous montrer la procédure pour créer une IA avec des données simples. Regarde la table

Poignée[kg] Distance de vol de la balle[m]
35 71
45 92
38 76
15 31
10 19
20 39

Ce tableau montre la distance de vol y [m] qu'une personne avec une force de préhension x [kg] volera en lançant la balle. Ceci est représenté dans un graphique avec l'axe x comme force de préhension et l'axe y comme distance de vol de la balle.

image.png

En regardant la disposition de ces points, je pense que la relation entre la force de préhension et la distance de vol de la balle peut être exprimée par une ligne droite. La formule pour une ligne droite est $ y = ax + b $.

Cette fois, l'axe des x est la force de préhension [kg] et l'axe y est la distance de vol de la balle [m], donc si x est la force de préhension [kg] et y est la distance de vol de la balle [m], la relation $ y = ax + b $ est valable. Peut être prédit à partir de ce chiffre.

Trouvez ensuite a et b. À l'origine, il est calculé par une méthode telle que la méthode du carré minimum, mais c'est difficile, donc je n'en parlerai pas ici.

Si a = 2 et b = 0 cette fois, la ligne droite chevauchera presque tous les points comme indiqué dans la figure ci-dessous. (La ligne pointillée dans la figure ci-dessous est $ y = 2x + 0 $.)

image.png

Cette ligne droite ** y = 2x + 0 ** peut être utilisée pour prédire la distance à laquelle une balle peut être lancée par des personnes aux prises différentes. Par exemple, une personne avec une prise de 50 [kg] pourra lancer une balle d'environ 100 [m] à partir de $ y = 2 x 50 = 100 $.

Quels sont les modèles et les paramètres?

Dans l'exemple ci-dessus, nous nous attendions à ce que la relation entre x et y soit $ y = ax + b $. À ce stade, la forme elle-même de $ y = ax + b $ est appelée un modèle, et les caractères autres que x et y tels que a et b sont appelés paramètres.

Importance de déterminer le modèle

Par exemple, dans l'exemple ci-dessus, si le modèle est $ y = ax ^ 5 + bx ^ 4 + cx ^ 3 + dx ^ 2 + ex + f $, il sera comme indiqué dans la figure ci-dessous. (Les paramètres a à f ont été obtenus par Excel.)

image.png

Il passe sur tous les points, mais ce modèle ne semble pas représenter correctement la relation entre adhérence et distance de la balle. Si vous ne concevez pas un modèle approprié comme celui-ci, la précision de l'IA sera considérablement réduite.

Conclusion

Les données réelles sont difficiles à représenter graphiquement et les modèles sont compliqués et difficiles à comprendre. Cependant, même si vous regardez le code du pionnier, il sera plus facile d'entrer dans votre esprit si vous le lisez tout en comprenant que vous faites réellement quelque chose comme ça.

Supplément

En fait, je ne pense pas qu'il y ait une grande corrélation entre l'adhérence et la distance de vol de la balle.

Recommended Posts

Signification des modèles et paramètres d'apprentissage en profondeur
Deep learning 1 Pratique du deep learning
Un mémorandum d'étude et de mise en œuvre du Deep Learning
Apprentissage parallèle du deep learning par Keras et Kubernetes
Comptez le nombre de paramètres dans le modèle d'apprentissage en profondeur
Deep running 2 Réglage de l'apprentissage profond
Bibliothèque DNN (Deep Learning): Comparaison de chainer et TensorFlow (1)
Apprentissage par renforcement profond 2 Mise en œuvre de l'apprentissage par renforcement
Collecte et automatisation d'images érotiques à l'aide du deep learning
[Deep Learning from scratch] Implémentation de la méthode Momentum et de la méthode AdaGrad
Examen de la méthode de prévision des échanges utilisant le Deep Learning et la conversion en ondelettes - Partie 2
Classifier les ensembles de données d'image CIFAR-10 à l'aide de divers modèles d'apprentissage en profondeur
Importance de l'apprentissage automatique et de l'apprentissage par mini-lots
Organisez des plateformes d'apprentissage automatique et d'apprentissage en profondeur
L'apprentissage en profondeur
Othello-De la troisième ligne de "Implementation Deep Learning" (3)
Introduction au Deep Learning ~ Pliage et mise en commun ~
Essayez l'apprentissage profond de la génomique avec Kipoi
Visualisez les effets de l'apprentissage profond / de la régularisation
Analyse émotionnelle des tweets avec apprentissage en profondeur
Enregistrement d'apprentissage de la lecture "Deep Learning from scratch"
Othello-De la troisième ligne de "Implementation Deep Learning" (2)
Graphique de l'historique du nombre de couches de deep learning et du changement de précision
Examen de la méthode de prévision des échanges utilisant le Deep Learning et la conversion en ondelettes
L'histoire de l'apprentissage profond avec TPU
Chainer et deep learning appris par approximation de fonction
[Pour les débutants en intelligence artificielle] Parcours d'apprentissage et de référence en apprentissage automatique / programmation en profondeur
Tournoi Numerai - Fusion de quants traditionnels et apprentissage automatique -
Organiser la signification des méthodes, des classes et des objets
Mémorandum d'apprentissage profond
[Mémo d'apprentissage] Apprentissage profond à partir de zéro ~ Mise en œuvre de l'abandon ~
Commencer l'apprentissage en profondeur
Compréhension de base de l'estimation de la profondeur stéréo (Deep Learning)
Deep Learning from scratch La théorie et la mise en œuvre de l'apprentissage profond appris avec Python Chapitre 3
Développez et gonflez votre propre ensemble de données Deep Learning
Créez un environnement python pour apprendre la théorie et la mise en œuvre de l'apprentissage profond
Apprentissage en profondeur Python
Introduction à l'apprentissage profond ~ Fonction de localisation et de perte ~
Apprentissage profond × Python
Implémentation du modèle Deep Learning pour la reconnaissance d'images
Apprentissage profond appris par mise en œuvre (segmentation) ~ Mise en œuvre de SegNet ~
À propos des copies superficielles et profondes de Python / Ruby
Présentation et fonctionnalités utiles de scikit-learn qui peuvent également être utilisées pour l'apprentissage en profondeur
Python vs Ruby "Deep Learning from scratch" Chapitre 1 Graphique de la fonction sin et de la fonction cos
Apprentissage profond de la détection d'objets 7 articles à lire et résumé des points [Road to Efficient Det]
Note d'apprentissage Python de Mayungo: liste d'histoires et de liens
J'ai installé et utilisé la bibliothèque Deep Learning Chainer
Analyse d'images par apprentissage profond à partir de Kaggle et Keras
À propos des tests dans la mise en œuvre de modèles d'apprentissage automatique
Application de Deep Learning 2 à partir de zéro Filtre anti-spam
Techniques pour comprendre la base des décisions d'apprentissage en profondeur
Othello ~ De la troisième ligne de "Implementation Deep Learning" (4) [Fin]
Prédire les tags en extrayant des fonctionnalités musicales avec Deep Learning
Intelligence artificielle, machine learning, deep learning pour mettre en œuvre et comprendre
Les chats sont déjà fatigués de l'apprentissage profond et moelleux
PROGRAMMATION PROFONDE PROBABILISTE --- Bibliothèque "Deep Learning + Bayes" --- Présentation d'Edward
[TF] Comment enregistrer et charger les paramètres d'entraînement Tensorflow
Premier apprentissage profond ~ Lutte ~
Python: pratique du Deep Learning