ニューラルネットワークの学習を部品（レイヤー）別にざっくり整理／活性化関数「Tanh」「Sigmoid」「ReLu」 - SE_BOKUのまとめノート的ブログ

目次 活性化関数をざっくりイメージ 活性化関数の整え方のアプローチ 役割１：単位をそろえて比較しやすくする 役割２：特徴を際立たせる アプローチによって相性のよいデータ が違う Neural Network Consoleのリファレンスで確認 グラフを見て役割をイメージ Pythonで各活性化関数を実装 活性化関数には有効範囲があります まとめ：活性化関数は特性を意識して使う 活性化関数をざっくりイメージ 活性化関数について、ざっくり整理します。 専門用語を極力使わず、多少の不正確さは目をつぶっても、なんとなくイメージできることを目標にして整理します。 まず、ニューラルネットワークで学習する流れをざっくり図にしてみました。 ニューラルネットワークの目的のひとつとして「既存の正解がわかっているデータで勉強（学習）して、未知のデータから、正解が導けるようになること」があります。 ポイントはどう