パーセプトロンとニューラルネット１

長岡技術科学大学　自然言語処理研究室
学部3年　守谷　歩

Transcript

1. パーセプトロンと ニューラルネット１ 2019/02/14 長岡技術科学大学 自然言語処理研究室 学部3年 守谷 歩 パーセプトロン、多重パーセプトロン、ニューラ ルネット、活性化関数
2. パーセプトロンとは ⚫複数の入力を一つの出力にするもの。 ⚫出力の値は1か0 y x1 x2 w1 w2 = ቊ 0 (1 ∗ 1 + 2 ∗ 2 ≤ 1 (1 ∗ 1 + 2 ∗ 2 > は閾値
3. 論理回路みたいに考えられるのなら ⚫AND ⚫OR y x1 x2 w1 w2 y x1 x2 w1 w2 x1 x2 y 0 0 0 0 1 0 1 1 1 1 0 0 x1 x2 Y 0 0 0 0 1 1 1 1 1 1 0 1 パーセプトロン ቊ 0 (1 ∗ 1 + 2 ∗ 2) ≤ 1 (1 ∗ 1 + 2 ∗ 2) > は閾値 {1 = 0.5, 2 = 0.5, = 0.7(0.5よりも大きい)} {1 = 0.5, 2 = 0.5, = 0.3(0.5より小さい)}
4. Pythonで実装 パーセプトロンAND,OR ⚫コード ⚫結果
5. 実装したパーセプトロンを図示化 パーセプトロン = ቊ 0 (1 ∗ 1 + 2 ∗ 2) ≤ 1 (1 ∗ 1 + 2 ∗ 2) > は閾値 これを = −(:バイアス)とすると = ቊ 0 1 ∗ 1 + 2 ∗ 2 + ≤ 0 1 1 ∗ 1 + 2 ∗ 2 + > 0 y x1 x2 w1 w2 ORゲートの重み {1 = 1, 2 = 1, = 0.5}
6. XORおさらい ⚫論理回路の知識を使うとXORはANDゲート、NANDゲート、ORゲー トから実装することができる。 x1 x2 y 0 0 0 0 1 1 1 1 0 1 0 1 x1 s2 s1 x2 x1 x2 y y
7. 多重パーセプトロン ⚫2段階にすることでXORみたいな状態でも表現可能 ⚫この時の一番左を第0層として扱い、出力まで層を増やせる ⚫XORは2層のパーセプトロン s1 x1 x2 s1 y 第0層 第1層 第2層
8. ⚫コード ⚫結果 Pythonで実装 多重パーセプトロンXOR
9. ⚫パーセプトロンでいろいろな領域に分ける方法は分かったが具体 的な重みは自動的に計算できないのか？ ⚫ニューラルネットは重みをデータから学習する性質がある ニューラルネット実装への導入
10. ⚫入力層、中間層（隠れ層）、出力層に分けられたネットワーク ⚫重みをもつ層を数えることが多い（例：中間層が5個あったら6層 ネットワーク） ニューラルネットとは 入力層 中間層 出力層
11. ⚫パーセプトロンの動作を関数h(x)にする = ቊ 0 1 ∗ 1 + 2 ∗ 2 + ≤ 0 1 1 ∗ 1 + 2 ∗ 2 + > 0 (w1,w2:重み x1,x2:入力 b:バイアス） = h(b+w1∗x1+w2∗x2) ℎ = ቊ 0 ( ≤ 0) 1 ( > 0) パーセプトロンの式変形 h(x) h(x) x1 x2 w1 w2 1 y b
12. ⚫さっき導出した活性化関数は閾値を境に出力が切り替わる関数： ステップ関数である。 ⚫パーセプトロンはステップ関数を使っている。 ⚫ステップ関数ℎ = ቊ 0 ( ≤ 0) 1 ( > 0) 活性化関数 h(x) ステップ関数
13. ⚫ニューラルネットはパーセプトロンと違い活性化関数にシグモイド 関数などの関数を使っている。 ⚫シグモイド関数では、値を1,0の2値でなく、1から０の値を使ってい る ⚫シグモイド関数ℎ = 1 1+exp(−) 活性化関数 h(x) シグモイド関数
14. ⚫ニューラルネットではシグモイド関数のほかにReLU関数といった関 数を使用することがある。 ⚫ReLU関数は1から0の値に変換せず、0から入力ｘまでといった値を 使っている。 ⚫ReLU関数ℎ = ቊ ( ≥ 0) 0 ( < 0) 活性化関数 h(x) ReLU関数
15. ⚫パーセプトロンは複数の入力を０，１の2値で返すことができる。 ⚫ニューラルネットはパーセプトロンと違って重みが自動的につくら れる。 ⚫出力を閾値よりも高いかどうかで見るパーセプトロンは活性化関 数としてステップ関数が使用されている。 ⚫出力が、入力が小さい場合0に近い値、入力が大きい場合1に近 い値を返す活性化関数がシグモイド関数である ⚫入力が0を超えていたらそのまま出力し、それ以外なら0にする活 性化関数がReLU関数である。 まとめ