「フォワードパスとバックプロパゲーション：ニューラルネットワークの基礎」

「美容とファッション：魅力的で活気溢れる記事」

手作業とコードを使って、ニューラルネットワークがデータのパターンを「トレーニング」および「学習」する方法をPyTorchを使用して説明する

背景

過去の2つの記事で、ニューラルネットワークの起源について探求しました。単一のパーセプトロンから大規模な相互接続(多層パーセプトロン (MLP)) 非線形最適化エンジンまで進んできました。パーセプトロン、MLP、および活性化関数について詳しく知りたい場合は、前の投稿をチェックすることを強くお勧めします。この記事ではこれらについてかなり詳しく議論します。

イントロ、パーセプトロン、およびアーキテクチャ: ニューラルネットワーク101

ニューラルネットワークとその構築要素についての紹介

levelup.gitconnected.com

• 『ラグランジュの未定乗数法、KKT条件、そして双対性 – 直感的に説明する』
• 「DevOpsとDataOpsとの私の経験」
• PySparkにおけるロジスティック回帰の紹介

活性化関数と非線形性: ニューラルネットワーク101

ニューラルネットワークがほぼどんなことでも学習できる理由の説明

towardsdatascience.com

それでは、これらのニューラルネットワークがデータのパターンを「トレーニング」および「学習」する方法を理解する時です。2つの主要な要素があります: フォワードパスとバックプロパゲーション。さあ、始めましょう！

アーキテクチャ

ニューラルネットワークの一般的な構造を簡単におさらいしましょう：

各隠れニューロンが以下のプロセスを実行している場所です：

• 入力: これはデータの特徴です。
• 重み: 入力に乗算されるいくつかの係数です。アルゴリズムの目標は、最適な重みを見つけることです。
• 線型重み付き総和: 入力と重みの積を合計し、バイアス/オフセット項 bを追加します。
• 隠れ層: ここにはデータのパターンを学習するための複数のニューロンが格納されています。上付き文字は…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!