ニューラルネットワークは「小さな計算機」のつながり
入力を受け取るノード、途中で特徴を作る隠れ層、答えを出す出力層。線の太さは重みを表し、学習するとこの重みが少しずつ調整されます。
入力データを入れる場所
重みどれくらい重要か
活性化信号を通すか決める関数
損失答えとのズレ
ネットワークビルダー
隠れ層とノード数を変えると、構造図と学習の挙動が変わります。
緑の線は正の重み、赤の線は負の重みです。線が太いほど影響が強くなります。
学習を観察する
サンプル課題は XOR。単純な直線では分けにくいので、隠れ層が意味を持つことを体感できます。
- エポック
- 0
- 損失
- -
- 正解率
- -
入力を変えて予測を見る
2つの入力値を切り替えると、いまのネットワークがどう予測するか確認できます。
予測-
画像で単語を学習させる
画像から背景っぽい部分を弱め、主役っぽい前景を強めた特徴ベクトルを取り出します。同じ単語に別画像を追加すると、単語ベクトルは平均更新され、少しずつ代表的な特徴に近づきます。
MNIST CSVを読み込む
形式: label,pixel0,pixel1,...pixel783。各ラベルを単語として学習します。
単語から疑似画像を生成
まずは画像と単語を登録してください。
会話で言葉を学習させる
このブラウザの中だけに保存される、会話学習モードです。質問と返答を入力するだけで、次回から呼び出せます。
保存先はこの端末のブラウザ内です。別端末に移したい場合は学習メモリを書き出してください。