Apprentissage profond à partir des bases mathématiques (pendant la fréquentation)

Prendre des cours au MPS Yokohama

Je lutte parce que je suis un débutant en programmation et en mathématiques. (Je vais étudier la notation Markdown et la notation TeX et les réécrire plus tard)

Motivation pour participer:

En fin de compte, je voudrais personnaliser la bibliothèque appropriée de Deep Learning (tensorflow) et l'utiliser pour le travail (outil d'opération publicitaire) et le jeu (fonctionnement de l'appareil ménager à partir de la détection ??).

Manuel (source d'apprentissage)

Diapositives de cours MPS Conférence vidéo

[Excellente note récapitulative] de @ hi_saito (https://t.co/eU2KUltFc6) (Je suis désolé s'il y a une erreur d'impression (?) Ou mon manque de compréhension)

25/05/2016 "Liste inconnue"

1.1.1 2e Diapositive p36 Great Note p14

Le poids W s'écrit de deux manières, la matrice W et la translocation (?) T du vecteur W (lettres en gras), et je pense que les deux sont les mêmes que les nombres résultants, mais je me demande s'il y a quelque chose de particulier à ce sujet. ?? → 2ème vidéo de la conférence 1h23min ~ 1h42min est l'explication Les poids v00 et v01 nécessaires pour dériver z0 sont deux y0 et y1, donc ce sont des vecteurs, n'est-ce pas? Est suspect. Si c'est une matrice 2 par 1, c'est un vecteur spécial, donc je le comprends maintenant. Je me demande si c'est un appareil pour en faire un formulaire qui peut être traité par numpy.dot (w, x).

1.1.1 Axes3D dans le module mpl_toolkits.mplot3d Comment dessiner ici

W,B = np.meshgrid(w,b)


    Z = se(0, sigmoid(W,1,B))
    fig = plt.figure()

    ax = Axes3D(fig)
    ax.plot_wireframe(W,B,Z)```

 2. Qu'essayez-vous d'obtenir avec la grille de maillage numpy?

3.```if __name__ == '__main__':```

 Je suis gêné de ne pas comprendre. .. .. La fonction appelée? classe? Si c'est principal, le lancez-vous? ?? Que voulez-vous dire?

 4.numpy.vectorize () Pourquoi utiliser vectorize pour créer un tableau?

 5.self.w [0] [0] Quels sont les éléments de cette matrice w?

 → Peut-être compris.

#### **`w = [[3.0,],]`**
```0,],]

b = [[1.0,],]
alpha = 0.1
w=np.concatenate((w,b),axis=1)
w[0][0] += alpha```
 Depuis le tableau numpy [ligne] [colonne], w [0] [0] est la 1ère ligne et la 1ère colonne du tableau w.
 Le type de tableau w est une matrice 1 par 2 appelée [3.0 1.0] car b est inclus dans la direction de la colonne.
 Alors, qu'est-ce que c'est 3.0? Le problème du bitflip est que l'entrée est 1 ou 0 1D et la sortie est 1 ou 0 1D.
 Il y a un poids w pour l'entrée. Son poids est de 3,0
 Cette fois, je veux augmenter ou diminuer ce w par alpha en fonction du résultat, donc je retire 3.0 dans la 1ère ligne et la 1ère colonne avec w [0] [0].
 J'ajoute ou soustrait des minutes alpha.


 7. À propos de la fonction sigmoïde
 Puisque 1 est divisé par 1 + "nombre positif (ou 0)", je comprends que le maximum est 1 et le minimum est aussi proche de 0 que possible.
 Quel genre de nombre est ce "nombre positif (ou 0)" de e à la puissance -αu (a> 0)? 1 / e à la puissance αu
 Je me demande quel est le nombre ... (Puisque u est Wx + b, il y a une possibilité qu'il soit négatif. Ensuite, 1 / e à la puissance au devient e à la puissance au, et plus a est grand, plus le sigmoïde est rapide Le résultat de la fonction approche-t-il 0?)

 8. Comment utiliser f (u) en python

 9. Comment calculer le différentiel à la main

10.




Recommended Posts

Apprentissage profond à partir des bases mathématiques (pendant la fréquentation)
Apprendre en profondeur à partir des bases mathématiques Partie 2 (pendant la fréquentation)
Apprentissage profond à partir de zéro
Apprentissage profond à partir de zéro 1 à 3 chapitres
Deep learning / Deep learning from scratch 2 Chapitre 4 Mémo
Deep learning / Deep learning made from scratch Chapitre 3 Mémo
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 5 Mémo
Apprentissage profond à partir de zéro (calcul des coûts)
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 7 Mémo
Deep learning / Deep learning made from scratch Chapitre 5 Mémo
Deep learning / Deep learning made from scratch Chapitre 4 Mémo
Deep learning / Deep learning from scratch 2 Chapitre 3 Mémo
Mémo d'apprentissage profond créé à partir de zéro
Deep Learning / Deep Learning à partir de Zero 2 Chapitre 6 Mémo
(python) Principes de base du chaînage de la bibliothèque d'apprentissage en profondeur
Tutoriel d'apprentissage en profondeur de la construction d'environnement
L'apprentissage en profondeur
Apprentissage amélioré pour apprendre de zéro à profond
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 7]
Apprentissage profond à partir de zéro (propagation vers l'avant)
Apprentissage profond / Apprentissage profond à partir de zéro 2-Essayez de déplacer GRU
Deep learning / Deep learning made from scratch Chapitre 6 Mémo
[Mémo d'apprentissage] Deep Learning fait de zéro [Chapitre 5]
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 6]
Alignement d'image: du SIFT au deep learning
"Deep Learning from scratch" avec Haskell (inachevé)
Deep learning / Deep learning made from scratch Chapitre 7 Mémo
[Windows 10] Construction de l'environnement "Deep Learning from scratch"
[Deep Learning from scratch] À propos de l'optimisation des hyper paramètres
Mémo d'auto-apprentissage "Deep Learning from scratch" (partie 12) Deep learning
Statistiques mathématiques des bases Variables probabilistes
[Mémo d'apprentissage] Deep Learning fait de zéro [~ Chapitre 4]
Mémo d'auto-apprentissage "Deep Learning from scratch" (glossaire illisible)
"Deep Learning from scratch" Mémo d'auto-apprentissage (n ° 9) Classe MultiLayerNet
Deep Learning from scratch ① Chapitre 6 "Techniques liées à l'apprentissage"
GitHub du bon livre "Deep Learning from scratch"
Deep Learning from scratch Chapter 2 Perceptron (lecture du mémo)
Mémorandum d'apprentissage profond
[Mémo d'apprentissage] Apprentissage profond à partir de zéro ~ Mise en œuvre de l'abandon ~
Commencer l'apprentissage en profondeur
Python: apprentissage profond du traitement du langage naturel: principes de base
Apprentissage en profondeur Python
Apprendre sans enseignant 1 Principes de base
Apprentissage profond × Python
Résumé Python vs Ruby "Deep Learning from scratch"
Mémo d'auto-apprentissage «Deep Learning from scratch» (10) Classe MultiLayerNet
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 11) CNN
[Deep Learning from scratch] J'ai implémenté la couche Affine
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 19) Augmentation des données
Application de Deep Learning 2 à partir de zéro Filtre anti-spam
Othello ~ De la troisième ligne de "Implementation Deep Learning" (4) [Fin]
[Deep Learning] Exécuter la console de réseau neuronal SONY à partir de CUI
[Deep Learning from scratch] J'ai essayé d'expliquer le décrochage
Premier apprentissage profond ~ Lutte ~
Python: apprentissage non supervisé: principes de base
Deep learning 1 Pratique du deep learning
Apprentissage profond / entropie croisée
Premier apprentissage profond ~ Préparation ~
Première solution d'apprentissage en profondeur ~
[AI] Apprentissage métrique profond