ゼロから作るDeep Learning（5日目）

こんにちは、筋肉めがねです。

折角フランクフルト近郊に住んでいるので、そのあたりのAI事情について、面白い情報を得る度に紹介していきましょう。先日、AI Meetup@Frankfurtに参加してきました。どのプレゼンテーションも面白くあっという間の2時間だったわけですが、中でも面白かったのはCorporate scandalをdetectするAIでした。会社内での同僚とのやりとりであるchat、mailをAIが読み、scandalに発展しそうなコミュニケーションについては、すぐにキャッチし、アラートをあげるというもの。Banking, Financeの分野ですぐにでも使われそうです。

それでは、本日も「ゼロから作るDeep Learning」を進めていきましょう。

本日も3章の続きですね。

前回の記事では、孫悟空は実はステップ関数だった、という事実をお伝えし、そして孫悟空が閾値を設けずに状況に応じて元気玉を放出する、という事がシグモイド関数そのものである、という事を書きました。

本日は、多次元配列、そしてニューラルネットワークの実装について書いていきます。

先ずはoutputです。3層のニューラルネットワークを図で、そして、実装方法をコードで載せます。

def init_network():
      network = {}
      network = ['w1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.5])
      network = ['b1'] = np.array([0.1, 0.2, 0.3])
      network = ['w2'] = np.array([[0.1, 0.4], [0.2, 0.5], [0.3, 0.6]])
      network = ['b2'] = np.array([0.1, 0.2])
      network = ['w3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
      network = ['b3'] = np.array([0.1, 0.2])

      return network

def forward(network, x):
      w1, w2, w3 = network['w1'], network['w2'], network['w3']
      b1, b2, b3 = network['b1'], network['b2'], network['b3']
      
      a1 = np.dot(x, w1) + b1
      z1 = sigmoid(a1)
      a2 = np.dot(z1, w2) + b2
      z2 = sigmoid(a2)
      a3 = np.dot(z2, w3) + b3
      y = identity_function(a3)

      return y

network = init_network()
x = np.array([1.0, 0.5])
y = forward(network, x)
print(y) # [ 0.31682708  0.69627909]

このコードで何が実現できてるか、と言うと、入力層のニューロンであるx1, x2にある値を入れ、それを事前に定義された重み、バイアス、および活性化関数（第1層と第2層のh()、出力層のσ()）を経て、y1, y2を出力する、という事ができているんですね。これができると何が嬉しいか、と言うと、まだ分かりませんよね。そう、僕も分かりません。いずれ分かるでしょう。

でも、大事な事は、ニューラルネットワークの計算は行列の計算としてまとめて行う事ができる、という事。そして、出力層に使う活性化関数は、回帰問題、分類問題など解きたい問題によって異なる関数を使用する、という事です。これについては、次の記事で書きましょう。 

それでは、本日は以上でございます。