[Deep Learning]ゼロから作るDeep Learning復習

パーセプトロン

P21~23(2024/7/9)(reviewID : 0, count : 1)

穴あき

1. パーセプトロンとは（）の起源となる（）である

2. パーセプトロンは（）の入力を受け（）の出力をする

3. 入力は電流で（）、（）である

4. 入力にはそれぞれ重みが（）される。重要度が（）ほど重みは高くなる。

5. 出力も0/1であり入力の合計が一定の値、（）を超えた場合に（）を出力する。

回答

1. パーセプトロンとはニューラルネットワークの起源となるアルゴリズムである

2. パーセプトロンは複数の入力を受け一つの出力をする

3. 入力は電流で流れない/流れる、0/1である

4. 入力にはそれぞれ重みが乗算される。重要度が高いほど重みは高くなる。

5. 出力も0/1であり入力の合計が一定の値、閾値(しきいち)を超えた場合に1を出力する。

P23~26(2024/7/10)(reviewID : 1, count : 1)

穴あき

1. パーセプトロンで表現されるゲートは3種類。（）、（）、（）。

2. 全てのゲートはパーセプトロンの（）、（）と（）で表現される。

3. パーセプトロンの出力には以下のの数式が用いられ、0を超えたら1、超えないと0を返す。
   （）
   この数式のbは（）と呼ばれ、（）ものである。

回答

1. パーセプトロンで表現されるゲートは3種類。全べての入力が1の時に1を返すAndゲート、いずれかの入力が0の時に1を返すNandゲート、いずれかの入力が1の時に1を返すOrゲート。

2. 全てのゲートはパーセプトロンのパラメータ、重みと閾値で表現される。

3. パーセプトロンの出力には以下のの数式が用いられ、0を超えたら1、超えないと0を返す。
   b+w1x1+w2x2
   この数式のbはバイアスと呼ばれ、閾値を-1でかけたものである。

P26~35(2024/7/11)(reviewID : 2, count : 1)

穴あき

1. パーセプトロンの数式に用いられるバイアス、bは（）パラメーター

2. XORゲートは（）に1を返す

3. パーセプトロンの弱点は（）にある。しかし（）、そのためXORゲートは（）と呼ばれる。

4. 入力の組み合わせ（0/1）をグラフに落とした際に出力結果（0/1）を（）線形、（）非線形である。

答え

1. パーセプトロンの数式に用いられるバイアス、bは発火しやすさを表すパラメーター

2. XORゲートは片方だけが1の時に1を返す

3. パーセプトロンの弱点は単層でXORゲートを表現出来ない事にある。しかし複数層（多層パーセプトロン）にする事で表現出来るようになり、そのためXORゲートは多層構造ネットーワークと呼ばれる。

4. 入力の組み合わせ（0/1）をグラフに落とした際に出力結果（0/1）を直線で分けられるのが線形、直線ではなくカーブした線などを使って分けるのが非線形である。

ニューラルネットワーク

P35~45(2024/7/12)(reviewID : 3, count : 0)

穴あき

1. ニューラルネットワークの大きな強みは（）にあります。

2. 活性化関数とは（）

3. ステップ関数とは（）で、（）

4. ニューラルネットワークとパーセプトロンの違いは（）。パーセプトロンは（）を使用する。

5. シグマイド関数は（）。計算式は（）

回答

1. ニューラルネットワークの大きな強みは重みをデータから自動で決められる所にあります。

2. 活性化関数とは入力信号の総和を出力信号に変換する関数

3. ステップ関数とは活性化関数の一つで、閾値を境に出力の0/1を切り替える関数

4. ニューラルネットワークとパーセプトロンの違いは使用する活性化関数。パーセプトロンはステップ関数を使用する。

5. シグマイド関数はニューラルネットワークで多く使用される活性化関数。計算式は
   1÷(1+exp(-x))