目次
はじめに
てくますプロジェクトでは、てくますゼミと呼ばれる輪読会を隔週で開催しています。
少人数であーだこーだ議論しながら、考える楽しさを分かち合う、ゼミのようなコミュニティです。主に、AIなどの「IT × 数学」領域について学習しています。
現在は「ゼロから作るDeep Learning」というディープラーニングの有名な本を読み進めています。
今回は本書第３回の輪読会ということで、４章を読み進めました！
本記事では、今回の勉強会で学んだことをざっくりと紹介していきます。
学習内容（４章）
ニューラルネットワークの学習
ニューラルネットワークの学習とは、訓練データから最適な重みパラメータを自動で獲得することを指します。
損失関数という指標を導入し、損失関数の値が最も小さくなる重みパラメータを探します。探し出すための手法として、勾配法と呼ばれる手法を用います。
損失関数
損失関数とは、ニューラルネットワークの学習で用いられる指標です。
損失関数の種類として、2乗和誤差や交差エントロピー誤差があります。
交差エントロピー誤差は2乗和誤差と比べると直感的な数式ではありません。しかし、損失関数としては交差エントロピー誤差関数の方が多く使われるらしいです。交差エントロピー誤差関数は勾配法と相性が良いためです。
交差エントロピー誤差については、下記の記事がわかりやすいので、ぜひ見てください。
【参考】交差エントロピー誤差をわかりやすく説明してみる（外部リンク）
なぜ直接の目的である正解率などではなく、損失関数を指標にしているのかというと、正解率などは不連続であり、勾配法と相性が悪いためです。
勾配法
損失関数の最小値を求めるには勾配法を用います。勾配法とは、グラフの今いる点の勾配（各重みパラメータによる偏微分係数を並べて出来るベクトル）に沿って下っていくことで、最小値を探す手法です。
勾配法については、下記の記事がわかりやすいので、ぜひ見てください。
【参考】勾配降下法とは?分かりやすく図解で解説（外部リンク）
本章では、数値微分を用いて勾配を計算しています。しかし数値微分には、計算に時間がかかるという難点があります。そこで次章では微分の計算の工夫として、誤差逆伝播法を学びます。
最後に
「ニューラルネットワークの学習」というメイントピックに入り、輪読会もますます面白くなってきました。私はこの内容について今回初めて学びましたが、その理論のシンプルさに驚いています。
次回は誤差逆伝播法です。この輪読会もやっと後半戦に。
では、また！
