読者投稿：ディープラーニングを浅く解説

　　　　　　　　　　　　　　ﾉﾍ
　　　　　　　　　　　　　 /ｿ| |　　　　　　　　　　ドーモ。ドクシャ＝サン。ロトムこと人工微脳です
　　　　　　　　　　　　　ﾉﾉ. | |　　　　　　 　　　分かりやすいよう酉の他に名前つけました
　　　　　　　　　　　　 」_|　| ヽ
　　　　　　　　　　　//~　 ,,,,ヽヽ　　　　　　　　今回はディープラーニングです
　　　　　　　　　　 |:iﾐ>　 iｲiL | |　　　　　　　　またの名を深層学習。かっこいいと思う方で呼んであげてください
　　　　　　　　　　_ゞ:~､._，`" ﾉ/_
　　　　　 く,``~~,~-``ヽ,-，イｿ`ヽ,`-､,,,_　　　　なんか響きがかっこいい！
　　　　　　 `'ゝヽ､_ 　ヽヽノ,ﾉ 　 　'ヽ　 _ゝ　　 すごいって聞くし何でもできそう！
　　　　　,ノ''~　　 ､ゝ　 ~| /　　 ノ`~ 　ヽ
　　　∠.，―``~~　　　　V　　　~`--,,__ ＼　　 みたいなイメージを抱く方も多いのではないでしょうか
　　　　　　　　　　　　　　　　　　　　　　`-,,,＼
　　　　　　　　　　　　　　　　　　　　　　　　￣


　　　　　　　　　　　　　　　　　　　　　　　 ..::
　　　　　　　　　　　　　　　　　　　　　　 .::/l::
　　　　　　　　　　　 　 　 　 　 　 　 　 .::/ .l::　　　　　　　　　　　しかし実際のところ
　　　　　　　　　　　　　　　　 　 　 　 .::/　 l::
　　　　　　　　　　　　　　　　　　　　.::/ 　 .l::　　　　　　　　　　　ディープってなにがディープなのさ？
　　　　　　　　　　　　　　　 　 ....::::::_/　 　 !::.　　　　　　　　　　 深層って何、上昇負荷がやばかったりするん？
　　　　　　　　　　　　　　　 ..:::xf"´　 　 　 ヽ:::.
　　　　　　　　　 　 　 　 　 :::/J!　　 〃))　　 ',::.　　　　　　　　　と思う方もいるでしょう
　　　 　 　 　 　 　 　 　 　 :::{｀､＿　((〃　 　 j:::
　　　　　　　　　　　. . . . . .:::::､ 　 　 　 　 　 ノ::
　　　　　　　: ::r―　==－　　 ::`ァ　　 t-‐''´::､ .　　　　　　　　　その辺を親指の爪の根本程度に解説します
　　　　　　　　: ＼｢:::..　　　　　:::乂 _,ノ:::　 　 ::＼::.　　　　　　　 数学の部分は可能な限り消し去ったのでご安心を
　　　　　　　.......:::::::x:::::...　　　　 ::::::: '"　　　　　:.ヽ＼:...
　　　　.....::::::;::r　´　　丶::... 　 　 :::::　　　 ::::::::::::::::::::ー::::::..
　 ....::::::-=ﾆ l::'ｰ――一'::::::..　　 ::'　　　　　::::::､￣￣ >:::::::::.
....:::::::::::::::::::::::::::::::::::::::::::::::::::::::::.　　　　　　　　 ::::...、　〈:::.　　　　予め言っておきますがいずれの説明も厳密ではないです
　　　　　　　　　　　　　　　　　　　　　　　　　　　:::ヽ- ':::::..　　　では今日も語弊を恐れずにやっていきましょう
　　　　　　　　　　　　　　　　　　　　　　　　 　 　 　 ::＼ヽ:::.
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 ::＼､::..
　　　　　　　　　　　　　　　　　　　　　　 　 　 　 　 　 　 　 ::::::...
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　｀ :..

　　　　　　　　　　　　　　　　　　　　 .:::
　　　　　　　　　　　　　　　　　　　 .:/l::　　　　　深層学習について話すのですが都合上
　　　　　 　 　 　 　 　 　 　 　 　 .:/　l::　　　　　中身は殆どニューラルネットの話になります
　　　　　　　　　　　　　　　　　 .::/ 　 l::
　　　　　　　　 　 　 　 　 ...::::::_ノ 　　,:::　　　　　と、言うのも深層学習というのは一言でいうと
　　　　　　　　　　　　　..:; /¨ll　　　 _ ヽ:..　　　　　「層状に連なったニューラルネット」
　　　　　　　　 　 　 　 :::l ｌしﾘ　　〃¨!　l::.　　　 のことだからですね。そしてニューラルネットを一言にすると
　　　　　　　　　..............:::.､｀¨r ､　ｌし'ﾉ　l:::　　　　　「めっちゃ集まったパーセプトロン」
　　　　　　　　 ::::ヽ＞.::　:::〉　ｰ'　＿__,ノ::　　　　ってな感じですね
　 　 　 　 　 　 .:: ﾍ::.　　 ::ゝ ＿_,ﾉ:::::::::.
　　　　　　 ...::／ 　 ';::.　　　:::::::: :　　::|ヽ::...　　　ニューラルネットとは人工知能のモデルの一種で、
　　　　....:::∠ ∟　＿}::.　　　:::　　 　 ::l＿';::.　　 名前の通り神経細胞群を模した形状のものを言います
　　..:::::::::::::::::::::::::::::::::::::　　　　　　...:::::::::::::::::::　　そしてひとつひとつの神経細胞がパーセプトロンです
　　　　　　　　　　　　　　　　　　 :::::',￣ヽ:::
　　　　　　　　　　　　　　　　　　　 :::ヽ　__';::.　　 レアコイルがニューラルネットなら
　　　　　　　　　　　　　　　　 　 　 　 :::.＼ ',::　　コイルがパーセプトロンとでも思ってください
　　　　　　　　　　　　　　　　　　　　　　 ::.ﾍl::
　　　　　　　　　　　　　　　　　　　　　　　　 ::




　　　 ム　　　　　　　でもジバコイルは深層学習ではないです
　　（6 v 6）　　　　　 お前が３つ連なったレアコイルだったらなあ……
　 ▽ヽ　ノ▽　　　　 まあ人気投票２位さんの話はともかく
　 △ム_ゝ△　　　　 パーセプトロンとは何ぞや？　が分かれば深層学習も分かる！
　　　　　　　　　　　　の気持ちでまずはパーセプトロンのお話です

　　　　　　　　　　　　　　ﾉﾍ
　　　　　　　　　　　　　 /ｿ| |
　　　　　　　　　　　　　ﾉﾉ. | |　　　　　　　　　　　大変大雑把な説明ですが
　　　　　　　　　　　　 」_|　| ヽ　　　　　　　　　　 神経細胞はある刺激X(x1,x2,...,xn)に対して
　　　　　　　　　　　//~　 ,,,,ヽヽ　　　　　　　　　 構造やそれまでの経験からf()を通じて
　　　　　　　　　　 |:iﾐ>　 iｲiL | |　　　　　　　　　次の神経細胞に応答Y(y1,y2,...,yn)を返す細胞です
　　　　　　　　　　_ゞ:~､._，`" ﾉ/_
　　　　　 く,``~~,~-``ヽ,-，イｿ`ヽ,`-､,,,_
　　　　　　 `'ゝヽ､_ 　ヽヽノ,ﾉ 　 　'ヽ　 _ゝ　　　　つまり単純化すると　Y = f(X)　なんですね！
　　　　　,ノ''~　　 ､ゝ　 ~| /　　 ノ`~ 　ヽ　　　　　　　　※今日の語弊ポイント
　　　∠.，―``~~　　　　V　　　~`--,,__ ＼
　　　　　　　　　　　　　　　　　　　　　　`-,,,＼
　　　　　　　　　　　　　　　　　　　　　　　　￣　　パーセプトロンはこのf()を学習するわけです




　　　　　　　　　　　　　 　 　 　 　 f'ﾍ
　　　　　　　 　 　 　 　 　 　 　 　 l　 ﾍ
　　　　　　　　　　　　　　　　　 　 l　　 ﾍ　　　　　　　　　　　　　　　　そして肝心の手順は
　　　　　　　　　　　　　　　　　　-l 　　　ﾊ_
　　　　　　　　　　　　 ,　　´　　　j　　　　 〉 ｀丶、　　　　　　　　　　　１：入力Xと正解Y'を用意する
　　　　　¨ヽ　　　　／　。　　　　　　　 - '　　　　＼　　　　　　　　　　２：適当なf()を用意する
　　　/ /　　ヽ　　 ｛　　　　　- ､　　　　　　　　　 　 ＼　　　　　　　　 ３：Y = f(X)を計算して与えられたY'との差異を見る
　　./ /　　 　 　 　 ヽ　 。　{ ｆ¨ヽY⌒ヽ , ,ﾆヽ　　。　　丶　　　　　　　４：YがY'に近づくようにf()を少しずつ調整する
　 〈　　　/⌒ヽ ヽ　　 ヽ　　ﾍﾍ,_j |--､ //　/ﾉ 　 　 　 　 〉
　　　　　 　 　 }　ヽ　 ,､ '． ｆ　 ー'　 　ﾍ ｰ'∠、　。　　 〃　　　　　 　なんとこれだけです
　　　ヽ　 丶- '　　 Y　　 i　|　　　-‐ ､　￣　　|　 　 ／　　　　　　　　XをYに変換する任意の関数f()が学習できるはずです
　　　　 ヽ.　　 　 　 　/ﾟヽi　|　　　　　　　　 　 |　　[
　　　　　　＼　　 　 /　　 i　|　　　　　 　 　 　 |　 ､ ｀丶、
　　　 　 　 　 ＼_／　　　 ', 丶、　　　　　　　　|　　|ヽ　 !　　　　　　　低次の関数くらいなら手計算でもできます
　　　　　　　　　　　　　　　 丶、 ＞　．　 　 　 |　　|　|　L_　　　　　　　　　　※ただし手首は死ぬ
　　　　　　　　　　　　　　　　 / ｀　　＜　｀　 ｰ'　　ﾉ　| 　　｀＞ ．
　　　　　　　　　　　　　 　 　 {__ ／　　　　l ￣¨T´ 　 |　　, -　、　＞ ,　　手順３の調整法が肝なんですが
　　　　　　　　　　　　　　　　　　　　　　 　 、 　 |　 　 ＼　、 　 〉　　 i　　この形式で解説するのは無理茶漬け
　　　　　　　　　　　　　 　 　 　 　 　 　 　 　 ｰ-' 　 　 　 ＼ ー'　　|　|　　素直にグーグル先生におまかせします
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 ＼　　 |　|　　（もしかして：勾配降下法　誤差逆伝播法）
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　 丶　|　|
　　　　　　　　　　　　　　　　　　　　　　　　　　　 　 　 　 　 　 　 　 ｰ'

　/ ⌒｀ｰ､
　{　r‐-､ ヽ　　　　 ,.- _ニニ、‐、
　ヽ ヽ　　 ﾉ　　 ／／,...-─-､＼ヽ　　　　　　　　　　ただ、パーセプトロン単体では大したことはできません
　　ヽ　｀イ　　 / / ／::⌒l　　 ヽヽ :　　　　　　　　　今学習したパーセプトロンと神経細胞には大きな違いがあります
　　　＼　 ヽ　,' i ∧､_＿/　 ＿ l　| :
　　　　 ＼ ＼: | |　 _＼__）￣:::::l|　} .i
　　　　　　｀ー､ヽ（:::::::::l ＼:::::::::/ / /　　　　　　　　神経細胞はいっぱいあるんです（小並感）
　　　　　　　　ヽヽ＼::ノ＿__ン ノ ,､＼　　　　　　　 なのでパーセプトロンもいっぱい並べます（小並感）
　　　　　　　　 ＼＼__　＿__／, ´　＼ ｀ -､
　　　　　　　　　/,...─'_'‐-、＜　　　 ヽ　　　＼
　　　　　　　　//l|　　r=》　 ｀,ヽ　　　/´⌒ ＼ ＼　　これがニューラルネットです
　　　　　　　 l l'‐'＿,'ｰ"　　　i｜　　 ヽ　　 __）　 !　　さっきレアコイルなんて例えを出しましたが
　　　　　　　ヽヽ、_　　　　_／ノ　　　　 ＼　　　 ﾉ　　実用品はそんな生っちょろい数ではありません
　　　　　　　　｀ ｰ-ﾊ＿r‐´- ´　　　　　　　ｰ-‐´　　場合によってはコイルでボックスが埋まっても足りないほど並べます
　　　　　　　　　　　｀ー ´




　　　　　　　　　　　　　　　　　　　　. . . ::::::::::::: . . .
　　　　　　　　　　　　　　　　　...:::::;　　-――-　 :::::...　　　　　ここで
　　　　　　　　　　　　　　　 ...:::::／　　　 ＿_　　　＼:::::..　　　　「これって結局関数を予め設定するほうが早くない？」
　　 , ..:::::::::.....　　　　　　　..::::〃　 ,　 '"　 , - ≧x 　 ＼:::::.　　　　　　　　　　ｿﾉﾄｵﾘﾃﾞｺﾞｻﾞｲﾏｽ
　 ;.:::::::::::::::::::::::::::..、　　　.:::::/　 ／　　　 ////// X　　 ',:::::　　とか思った方……Exactly
　 i::::::::::;'"´ `..::::::::::,　　 :::::;' 　/ ／⌒ヽ V//////∧ 　 ':::::　　関数を手動で設定できるなら学習の手間がなくて早いですね
　 丶::::::丶 :::::::::::::ノ　　:::::;'　 ,' /// ,　-― ､/////∧　　l::::
　　　 丶 ::::::::￣ ¨¨¨ ´_::::l　 { ｛//く　　　　 ,ｺ二¨´　}　　}::::
　　　　　　｀ 　 　 ¨¨´　::::l　 ',　V//,＞r-‐'///∧　 ,'　　'::::　　ただし、関数がわからない場合は別です
　　　　　　　　　　　　　 :::::',　 、ヽ--‐' !/////// }.〃　/::::　　目的を達成するための関数が複雑にすぎる場合は
　　　　　　　　 　 　 　 　 ::::ヽ　＼　　　V/////,／　／:::::、　　手首が死んだ程度では足りません
　　　　　　　　　　　　　　　 ' :::丶　｀　ｰ---‐ '´　／:::::;　::::｀:::.....
　　　　　　　　　　　　　　　　　｀...::` ┐ r---‐ '´.:::: : '　　 ＞　､:::::::.....
　　　　　　　　　　　　　　　....:::;　 ''"´　└-､:::..´　　　　　　:::::::::::｀::.....、:::...　　　そしてそもそも求められるかも
　　　　　　　　　　　　　　.::::／l|　　　_ 　　　ヽ:::::.　　　　　 :::::::::､:::::::::::ヽ:::::...　　分からないということは多々あります
　　　　　　　　　　　　　　::::{しﾉ　　〃´li　　　 }:::: 　 　 　 　 '　:::::｀:::.... _ﾉ::::::::
　　　　　　　　　　　　　　 ::::.、｀ー {しノ　　　ﾉ:::　　　　　　　　 丶 :::::::::::::::::ノ　 そういったときのためのニューラルネットです
　　　　　　　　　　　　　　　 ::::` ｰ､　　__彡 '..:::　　　　　　　　　　　 ｀ ¨¨ ´
　　　　　　　　　　　　　　　　 　｀::::.ｰ':::::: : '"
　　　　　　　　　　　　　　　　　　　｀~´

　　 　 　 　 　 xへ、
　　　　 　 　 /　／＾＼　　　　　　「何かしらの変換規則があるはずだがそれがわからない」
　　　　　 　 ,' 〃 （⌒ヽヽ　　　　 「そもそもできるのかすら不明である」
　　　　　　_」　丶、ヽ _ﾉ　ヽ　　 　「がんばったけどムズい」
　 　 　 ／ 　 　 　 丶、　　 ヽ
　　 ／　　ｘ、　__　,ｘ　 ＼　　 }　　計算時間など様々な問題はあるものの
　 〃　･ 　|fi|'´＿｀|fi|　・/　 丿　　ニューラルネットはこんなとき変換規則を自動で解明してくれるのです
　　＼ ・┌|ljl´ __ ｀|ljl┐I　／
　　 　 I__| ｀Y(o) 。Y´ !　_|　　　　　これほど便利なものはありません
　　　 ∟ ヽ { 　冂　}　|　|
　　　　 い、丶--------┐　　　　まあその問題の部分が結構大きかったりするんですけどね
　 　 　 ‘， ＼　 (⌒ ヽ　/　　　　　モノによっては学習に数日かかるとかあるし
　　　　　 `T 了丶ニ´／　　　　　　データ揃える労力がｶﾞｶﾞｶﾞ
　　　　　　 | 弋__ ／
　　　 　 　 乂_ノ




　　　　　　　　　　　　　　　　　　　　r――- 、　しかし、昔のニューラルネットには１つ致命的な問題がありました
　　　　　　　　　　＿＿＿　　　　　　ゝ　＿＿）
　　　 　 　 . 　 ´　　　＿　 ｀丶-― ' /　　　　　並列に多く並べることはできても
　　　　 ／　　　　　/7⌒））　　　　　 l　　　　　 直列に多く並べることができなかったのです
　　　 /　　　＿＿ ヽニﾆｲ　　 　 　 /
　 　 /ィ　　　/ﾊ 　 ￣￣＼　　　　〈　　　　　　 これはつまりどういうことかと言うと
　　　|/ﾍ　　/∧ﾍ　　　　 ∧　　　　|
　　　 ∧ﾊ //　 Vﾊ　　　/　|　　　　l　　　　　　 どれほど複雑な変換規則でも多くて２回そこらの変換で表現しなければならない
　　　 l＿V:/　 　 Vハ／-- ､　　　 ﾑ､
　　　 ＼　￣￣￣￣7:::::;=､:::::Y´￣　 l　　　　　 という縛りがあったわけです
　　　　　＼　　 　 　 l::::::ゝﾉ::::::l　　 　 |　　　　　このせいで行えるタスクには限界あり
　　　　　　 ｀ ー----ゝ ＿_ ∠-――'　　 　　　今ほど使われる技術ではありませんでした

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 ...:::....
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　...:::::::::::::::::....
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　..::::::::::::::::::::::::::::::..
　　 ....:::::.....　　　　　　　　　　　　　　　　　　　　　　　:::::::::::::::::::::::::::::/ :::::
　 .:::::::::::::::::::...　　　　　　　　　　　　　　　　　　　　　 ｀ヽ::::::::::::::::::::/／;:::
　..:::::::::::::::::::::::::::...　　　　　　　　　..::::...　　　　　　　.:::::::::::::::::::::::::::::::／.::;'
　:::r :::::::::::::::::::::::::　　　　　　　　 .::::;､:::::. 　　　　　　::::::::::::::::::::::::::::/　,,::::
　:::l　',:::::::::::::::::::/　　　 　 　 　 .::::/　ヽ:::::.　　　　　　 丶 : : :::::::::〈_／／
　::: .　',::f ',::::::: '　　　　　　　　.:::::;'　　 ',:::::::::::::::::...　　　　　　i:::::::r
　 ヾ＼j::', l:::::::::::::.　　　　　...:::::_:;'　　　 ',―-=　 _:::::::::::...　　　 .:::::::　　 これが解決されて世に現れたのが深層学習です
　　 ):::::::::､j:::::::: ノ　　　...::::::／　{　　　　　　　　　 ｀丶::::::::.　 :::::::::
　　　￣ ヽ::::.　　　　 ..:::::／　　　　　　　　　　　　　　ハ::::::..:::::::::::　　　ニューラルネットを直列につなぎ
　　　　　 ..::: '　　　..:::::〃　　　　　　　　　　　　　 ／ 　 l::::::＾　　　　　１層、２層、３、４、５層……と変換の回数を増やし
　　　　　　:::::::.... . ..::::/ , -､　　　　　 , -‐､　　 ,　　　　/l::::::　　　　　　より複雑な変換規則を表現できるようになったのです
　　 　 　 　 ｀::::::: :::::::! ｛ i~::､　　　　/／~!.}　　|　　 ／　!:::::
　 　 　 　 　 　 　 ::::::|　ヾ ､::),､__,､　(::::ノ/　　 ! ／　 　 !:::::
　　　　　　　　　　 ::::ﾊ`tー--`＝'------r…｜　|　 　 |:::::　　　　　　ディープや深層という名前は
　　　　　　　　　　　::::ﾊヾミ三三三三 彡ｲ　　l!　 !　 ／!::::　　　　　　このニューラルネットの層が多いことを表しています
　　　　　　　　　　　　::::',　 ',　　　　　　　 j　　j|　 l／ ,ノ:::　　　　　　 ジバコイルにするのではなく
　　 　 　 　 　 　 　 　 :::ヽ　` ｰ------‐ '　　ﾉ／ ／:::::::　　　　　　　レアコイルで電車ごっこするわけです
　　　　　　　　　　　　　 :::::＼ー---------‐'´ ／:::::
　　　　　　　　　　　 　 　 :::::::｀¨＾￣￣￣￣`ｰ':::




　　　　　　　　　　　　　 ,' ヽ、
　,　　　　 　　　 　 　 　! |ヽ,ヽ
　!＼　　　　　　　 _＿ / |　ヽ ヽ＿_　　　　　　　 ／|　深層学習は革命的なシステムでした
　|　 ＼　　　　　/ _,.-r‐ﾒ---┴─- ､ヽ　　　 ／　 |　層の多重化による自由度の拡張によって
　 !　　 ヽ　　　 ! i　　! i　{ヾ,　　 /,ﾘ ｜i　　／　　　|　既存のシステムとは隔絶した性能を得たのです
　 .l　　　ヽ　　 i .|　　| !　`<ﾝ　　{ｸ　 l l　 /　　 　_｣
　　＼　　 ヽ　 :　! 　.L|＿＿_⌒ -━┥|　ヽ　,-´　　　ある画像認識のコンペでは
　　　　＼　ヽ　 ! l　 T l￣　/^|^i　　　| i＿ヽ｜　　　　もともと２５～３０％のエラー率でも優秀であり
　　　　 /　く　__｣ l　 .| |　　 {　|! .l　　｜r‐- __|　　　　過去数年での性能向上は僅か２％ほどでした
　　　　　＼ ￣,.ィ |　 | i　　　ﾞ'个´　　l　i
　　　　　　 ￣　　! |　.| | ─､-┸y━┥:　　　　　　　　ここに深層学習が参入した結果
　　　　　　　　　　ヽヽ_l.」＿.ニニ-─' /　　　　　　　　初年度でエラー率１５％と既存のシステムに圧勝
　　　　　　　　　　　｀ｰ- ,,..　---─ "　　　　　　　　　その後数年でエラー率は僅か５％程まで低下しました

　　　　　　　　　　　　 　∧　　　　　　　　　　　　　　　　　,　--,　もうちょっとカジュアルに言うと
r─-､　　　　　　　　　 /　 ',　　　　　　　　　　　　 ,　-‐' 　 ／
　＼　｀　-　 _　　　　　l　lヽ ',　　　　　　　　 , -‐'　　　　／　　　特進クラスの生徒たちが数学のテストで勝負していて
　　 ＼　　　 　 ｀ヽ､　 l　|:.:', .',　　　　　　／　　　　　／　　　　　みんな毎年７０～７５点くらいで競り合ってる中
　　　　＼　　　　　 ／l　 |:.:.:', ',　　　　 　｀ヽ､　　 ＜_　　　　　　海外からの転校生が突然８５点で圧勝して
　　　　　 ＞　　 ／　 |　 |:.:.:.:.',_｀ヽ､　　　　　 ＼　　　｀ヽ､　　　 日本語の問題だったのか次は９５点だった
　　　 ＜　　　く　　 ／ ／:.:.:.:.:.:.:｀ヽ､＼　　　／　　　,　-‐'
　　　　　＼　　 ＼_|　/:.:.:.:.:.:.:.:.:.:__:.:.::',　',　/　　,　-‐　　　　　　 みたいな感じですね
　　　　　 　｀ヽ､　　 /-､:.:.:.:.:__//ヽ',:.:.:.} .ﾚ' _,　'
　　　　　　　　　＼　',:::}.ﾉ-:.:.:.ヽ-'ノ-:./ ／　　　　　　　　　　　　当然の流れとして
　　　　　　　　　　　', ヽ:.:.ﾄｪｪｲ:.:.:.:.:.ノ /　　　　　　　　　　　　　「はぁ～～天才かぁ～～～？？？？？」
　　　　　　　　　　　　＼_ヽ､__:.:.__/ _/　　　　　　　　　　　　　　ってなって国語や理科社会等他の教科も
　　　　　　　　　　　　　　｀l .(:.:.:.:.:.:). }　　　　　　　　　　　　 　　やらせてみる訳ですわ
　　　　　　　　　　　　　　　＼￣￣ l
　　　　　　　　　　　　　　　　　＼__,|　　　　　　　　　　　　　　　そして殆どの教科で圧勝してしまったのが
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　ディープラーニング君ということです

　　　　　　　　　　　　　　ﾉﾍ
　　　　　　　　　　　　　 /ｿ| |
　　　　　　　　　　　　　ﾉﾉ. | |　　　　　　　　以上が深層学習の簡単な概要になります
　　　　　　　　　　　　 」_|　| ヽ　　　　　　　 深層学習はその性能を活かし現在では様々な技術に組み込まれています
　　　　　　　　　　　//~　 ,,,,ヽヽ
　　　　　　　　　　 |:iﾐ>　 iｲiL | |
　　　　　　　　　　_ゞ:~､._，`" ﾉ/_
　　　　　 く,``~~,~-``ヽ,-，イｿ`ヽ,`-､,,,_　　　　　ハードルが高いと思われがちな深層学習ですが
　　　　　　 `'ゝヽ､_ 　ヽヽノ,ﾉ 　 　'ヽ　 _ゝ　　　　単純なものなら実は意外と簡単で
　　　　　,ノ''~　　 ､ゝ　 ~| /　　 ノ`~ 　ヽ　　　　　なんとおうちでも簡単にできちゃいます
　　　∠.，―``~~　　　　V　　　~`--,,__ ＼　　　　　　※ただし最低限のプログラミングの知識を要します※
　　　　　　　　　　　　　　　　　　　　　　`-,,,＼
　　　　　　　　　　　　　　　　　　　　　　　　￣


　　　　　　　　　　　　　　　　ハ
　　　　　　 　 　 　 　 　 　 /ハ'､
　　　　　　　　　　　　/＾ヽ//　 ';V^ヽ　　　　　　　　　　　　　そういったWeb記事などもたくさんあるので
　　　　　　　　　　,-‐' /fミ､ｰ一/行ヽ'ｰ-､　　　　　　　　　　興味を持った人はやってみるのも一興かと思われます
　　　　　　　　　 j /￣ ヾtﾃ　　迄ﾘ　￣ヽ !
　　　　　　 　 　 ! l　　＿｀´､ｪィ｀´＿　　 l l　　　　　　　　　　学習の間パソコンがぶおんぶおん鳴るのは仕様です（）
　　　　　　　　／, !￣ 　 , - ─‐ - ､　￣ ! ＼
　　　　　　 ／／l ｌ　　 / , '´ ￣｀ヽ 丶　｜　､＼
　　　 　 ／　l　　l l　　ｌ　!　　　　匚　,!　 l ﾄ､ iヽ ＼　　　　　　では今回はここまで
　　　　 ｌ 八 l　　 l ｌ　　'､ヽ　　 　 / /′ l l　l　L ゝ ＼　　　　次は簡略化して解説できそうなことが見つかったらやります
　　　　 ! 凵 ｌ＿ノ ﾊ　　 ヽ､｀ ー'"ノ　　 l ｌ　｜ r' ￣〉 ＼
　　 ／へ￣二二ヽﾍ　　､＿｀二´＿ 　 //　　l　｀┐＼　 〉　　ご清聴ありがとうございました
　　( (● ﾚ´r-─‐'＾ヽ＼／ ＿＿ ＼／/　 　 ｜　|　　｀'′
　　 ｀＝一'′　　　　　｀-'´　　　　｀-'´　　 　 　￣

表情の差分がつけづらくて素直に人型AAにすればよかったと後悔している人工微脳でした

読者投稿指定権
都道府県：埼玉県
指定駅：東武伊勢崎線新越谷駅

>3033
「広く」「深く」できるようになった、ですね。もともとは「広く」「浅く」が限界でした
基本的に並列に並べたものをさらに直列に並べるのが深層学習です

今回で言う直列とはパーセプトロンの出力がさらに別のパーセプトロンの入力になっていることです
パーセプトロンをニューラルネットに置き換えてもいいです

具体的かは微妙ですが、人間の作業で例えると画像中の人物を特定したいときの作業は大まかに以下の３つです
１：人間の顔の場所を特定し
２：顔の特徴を抽出し
３：候補から名前を照らし合わせる
これをするとき

ニューラルネット：１人で全部同時にやる
ディープラーニング：３人使って作業分担する

という違いがあります

>3058
個人の経験ですがCPUのみからGPUに変えただけで３０分かかった計算が３分になりました
研究室とかにおいてある計算用PCも基本的にはGPU複数刺しのものですね
パーセプトロン１つの計算は大抵１次関数程度なものなのでGPU向きのはずです

>3059
大枠はそんな感じでいいかと
入力から結論の間のものは人間に読み解ける状態にないことがほとんどですが、先の例でいうと
画像入力　→　人の名前
だったのが
画像入力　→　何か　→　何か　→　人の名前
になったということです