深層学習
機械学習 ML machine Learning
深層学習 DL Deep Learning
深層ニューラルネットワーク DNN Deep Neural Network
ニューラルネットワーク（Neural Network）による入力値の分類の仕組みについて見ていく。
参照 https://hinaser.github.io/Machine-Learning/ TensorFlow Playgroundの仕組み
X1 を 横方向
X2 を 縦方向
の ＸＹ座標と考える
＋の点（青） と ーの点（橙） を X1とX2を用いて分類するモデル（NNのパラメータ）を学習を通してフィードバックで調整する。
学習開始前（初期状態のモデル）
X1とX2の値にほとんど影響されずに全体的に やや＋（薄い青） と分類（背景の色を観察してみよう）
学習終了後
Ｘ１とＸ２が両方 ＋ なら ＋
Ｘ１とＸ２が両方 ー なら ー
下図で モデルのパラメータは2個あり、青（＋）の2本の線で表現されている
パラメータの符号
＋ 入力値をそのまま反映
ー 入力値を＋ー逆転して反映
パラメータの大きさ
１付近 強く反映
０．５ やや反映
０付近 ほどんど反映しない
入力値X1とX2の特徴を変えて＋とーの性質を変えてみる。
X1^2 横方向両端が＋ 中央は ０
X2^2 縦方向両端が＋ 中央は ０
学習前
横方向両端が＋ 上下方向の両端がー
学習後
X1^２ と X2^2 の両方が ０ なら ＋
X1^２ と X2^2 の両方が ＋ なら ー
つまり中心付近が ＋ 周辺が ー。
ここでパラメータ（2本線）が橙のーであることに注意する。
つまりX1とX2で＋と評価されない部分が逆転して＋として評価するように学習できた
一部分だけしか分類できない。右下のー部分を間違って＋と分類している。学習できない。
うまく分類できた場合
分類に失敗した場合
入力層のニューロンを増加すると複雑なパターンに対応できる。以下の図では入力層は８個のニューロン。
入力値を2つだけにして、XY座標だけを入力として与える。
学習前の段階でヒントを出さない。（入力の特徴として中央と端に着目するのを止める）
ニューラルネットワークが学習の過程で見つけた特徴だけを使って分類する。
多数の直線を組み合わせて分類しようとしてもうまくいかない
3019エポック（学習回数）の結果
中間層を多層化する。
これが、深層学習、ディープラーニング、ディープニューラルネットワーク、DNNと呼ばれる仕組み。
以下の様な学習済みのDNNを「モデル」という。
1890エポック
