NVIDIAが解説するディープラーニングの基礎（前編）

ディープラーニングの学習フロー 学習プロセスでは、期待結果とネットワークの誤った出力の差を誤差として定量的に計算すること、誤差から各層の重み係数を更新することがカギとなる。 山崎氏は画像分類をテーマとして、誤差計算のイメージを例示した。この例ではネットワークにライオンの画像を入力したにもかかわらず、トラの確率スコアが80％、ライオンの確率スコアが20％と出力され、誤ってトラと分類されている。 誤差計算について、山崎氏は「問題設定により誤差はいろいろ定義できるが、（この例では）出力された確率スコアと数値化した正解ラベルの直接的な差分を用いる」ことなどが基本的な考え方だと説明した。 勾配法と誤差逆伝播法でネットワークの重み係数を更新 得られた誤差から各層の重み係数を更新する手法についてもいくつか提案されているが、山崎氏は「最もベースとなる考え方の『勾配法』を紹介する」とした。 ニューラルネット