みんなのAI
機械学習プレイグラウンド

プレイグラウンド

触って学ぶAI実験室

ディープラーニング

  • NN分類器

強化学習

  • RLエージェント

コンピュータビジョン

  • 畳み込みビジョン

Transformer

  • Attention プレイグラウンド
NN分類器RLエージェント畳み込みビジョンAttention プレイグラウンド
読み込み中…

プレイグラウンド

ニューラルネット プレイグラウンド

ブラウザでニューラルネットを触ってみましょう!

エポック0
学習設定の説明

再生・1ステップのたびに下の設定が使われます。まずは初期値で動かし、変えながら違いを確かめてください。

  • 学習率: 重みを1回でどれだけ大きく直すか。大きすぎると不安定、小さすぎると遅いです。0.01〜0.03あたりから試すのがおすすめです。
  • 活性化: ニューロン出力を非線形の曲線に変えます。Tanhはなめらかに−1〜1、ReLUは0未満を0にします。
  • 正則化: 重みが大きくなりすぎないようペナルティを付けます。訓練データを「丸暗記」する過学習を抑えます。
  • 正則化の強度: 正則化ペナルティの強さです。「なし」のときは使われません。

関連で学ぶ

ディープラーニングで見る勾配最適化アルゴリズム:慣性と適応的学習率ディープラーニングで見る活性化関数ディープラーニングで見る人工ニューロン正則化:暗記の限界を超えて

データ

どのK-データセットで遊びますか?

関連チャプター
ディープラーニングとは?ディープラーニングで見るバッチ

特徴量

ネットワークへの入力を選びます

2/7
関連チャプター
ディープラーニングで見る内積ディープラーニングで見る線形層
特徴量の説明

特徴量(feature)は、各データ点の座標 (x₁, x₂) をニューラルネットに入れるために加工した入力値です。X₁・X₂のほか、二乗・積・sin などをオンにすると、より複雑な決定境界も学習できます。オンにした特徴量ごとに入力ニューロンが1つ増えます。

隠れ層

線の太さ=重みの大きさ、色=符号(紫=+、橙=−)

関連チャプター
ディープラーニングで見る隠れ層ディープラーニングで見る深さディープラーニングで見る結合
H14
H22
4
2

出力

モデルの決定境界とデータ点

関連チャプター
ディープラーニングで見る勾配ディープラーニングで見るソフトマックス

テスト損失

—

学習損失

—

エポック: 0

負 (−1)正 (+1)

薄い背景 = 実際のデータパターン · 濃い色 = ネットワークの予測