はじめに
"ディープ ラーニング" は、機械学習の高度な形式であり、人間の脳が学習する方法をエミュレートしようとします。
脳には、ネットワーク経由で電気化学的な信号が通過する神経伸長によって相互に接続されているニューロンという神経細胞があります。
ネットワークの最初のニューロンが刺激されると入力信号が処理され、特定のしきい値を超えた場合、ニューロンが "活性化" され、信号が接続されているニューロンに渡されます。 これらのニューロンは順に活性化され、信号はネットワークの他の部分を通過することができます。 頻繁に使用することで、時間の経過と共にニューロン間の接続が強化され、効率的に応答する方法を学習していきます。 たとえば、だれかがあなたにボールを投げた場合、ニューロン接続によって視覚的な情報が処理され、ボールをキャッチするための移動を調整できます。 この動作を繰り返し実行した場合、ボールのキャッチに関係するニューロンのネットワークがより強力になり、うまくボールをキャッチする方法を理解していきます。
ディープ ラーニングでは、電気化学的な刺激ではなく数値入力を処理する人工ニューラル ネットワークを使用して、この生物学的なプロセスをエミュレートします。
受信した神経接続は、通常、x として識別される数値入力に置き換えられます。 複数の入力値がある場合、x は、x1、x2 などの名前の要素を持つベクトルと見なされます。
各 x 値に関連付けられた "重み" (w) は、学習をシミュレートするために x 値の効果を強化または弱くするために使用されます。 さらに、ネットワークをきめ細かく制御できるように、"バイアス" (b) 入力が追加されます。 トレーニング プロセスでは、w と b の値によりネットワークを調整して、正しい出力を生成するように "学習" できるようにします。
ニューロン自体は、x、w、b の加重和を計算する関数をカプセル化しています。 次に、この関数は結果を (多くの場合、0 - 1 の範囲の値に) 制限する "活性化関数" で囲まれています。これによって、ニューロンが出力をネットワーク内のニューロンの次の層に渡すかどうかが判断されます。