ディープラーニング 確認テスト

ディープラーニングは、入力層と出力層のあいだの中間層（隠れ層）を何層にも重ねたニューラルネットワークで学習する手法です。層を深くすることで、画像や音声のような複雑なデータの特徴もとらえられるようになりました。決定木の多数決はランダムフォレストです。

復習する：ディープラーニング基礎

パーセプトロンは、複数の入力に重みをかけて合計し、閾値を超えるかどうかで1か0を出力します。重みは入力の重要度を表し、学習ではこの重みを調整します。パーセプトロンを組み合わせて層にしたものが、ニューラルネットワークの土台になります。

復習する：パーセプトロンの理解

ReLU は、0以下の入力を0にし、正の入力はそのまま通す関数です。CNN の実装でも中間の層で activation='relu' として使いました。出力の合計が1になるのはソフトマックス関数、0か1にするのはステップ関数です。

復習する：活性化関数

畳み込み層は、フィルターを画像の上で少しずつずらしながら掛け合わせ、線や縁などの局所的な特徴を取り出します。レッスンの実装では Conv2D(32, (3, 3)) で3×3のフィルターを32枚使いました。1列に並べ直すのは Flatten 層、255で割るのは前処理の正規化です。

復習する：畳み込みニューラルネットワーク

ディープラーニングでは、データを一度に全部ではなくバッチサイズごとに区切って学習します。1000サンプルを100ずつに分けると10回で全データを一通り学習し、これが1エポックです。epochs は、この一通りの学習を何回くり返すかを表します。

復習する：畳み込みニューラルネットワークの実装