ここでの「分類」は，データから，そのラベル（クラス名など）を求めるもの． 分類のために，教師データを用いて事前学習を行う．
次を行うプログラムの例
ニューロンの数，ニューロンの種類などの設定
使用する最適化手法，誤差算出法（損失関数）などの設定
教師データを使用．結合の重みが変化
データの分類を行う
このページの内容は，Google Colaboratory でも実行できる．
そのために，次の URL で，Google Colaboratory のノートブックを準備している．
次のリンクをクリックすると，Google Colaboratory のノートブックが開く． そして，Google アカウントでログインすると，Google Colaboratory のノートブック内のコードを実行することができる．Google Colaboratory のノートブックは書き換えて使うこともできる．このとき，書き換え後のものを，各自の Google ドライブ内に保存することもできる．
https://colab.research.google.com/drive/18Nf9FPFhOvx8_V30z8PdBD2kcyDap8b7?usp=sharing
自分で，Google Colaboratory のノートブックを新規作成する場合（上のリンクを使わない場合や）は，前準備を行う．
https://colab.research.google.com
Google Colab はオンラインの Python 開発環境． 使用するには Google アカウントが必要
入力： 4個の数値のまとまり
出力： 「4個の数字のまとまり」について， 3種類の中から 1つに分類
1層目：ニューロン 64個，relu
2層目: ニューロン 3個, softmax
![[image]](../../info/logo_png.png){kind=logo}
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation
m = tf.keras.models.Sequential([
tf.keras.layers.Dense(units=64, input_dim=4, activation='relu'),
tf.keras.layers.Dense(units=3, activation='softmax')
])
print(m.summary())
動画 URL: https://www.youtube.com/watch?v=dNPeVCvL5Jg
ニューラルネットワークの出力と，教師データの正解との誤差を最小にするという最適化を行う
Adadelta, Adagrad, Adam, RMSprop, SGD など
binary_crossentropy, categorical_crossentropy, cosine_similarity, kld, kullback_leibler_divergence, mae など
次のプログラムでは
m.compile(loss=tf.keras.losses.categorical_crossentropy,
optimizer=tf.keras.optimizers.SGD(lr=0.01, momentum=0.9, nesterov=True))
動画 URL: https://www.youtube.com/watch?v=dTMiGBpGAbg
学習の繰り返し回数は 1000回にしている
import numpy as np x = np.array( [[0, 0, 0, 0], [0, 0, 0, 1], [0, 0, 1, 0], [0, 0, 1, 1], [0, 1, 0, 0], [0, 1, 0, 1], [0, 1, 1, 0], [0, 1, 1, 1], [1, 0, 0, 0], [1, 0, 0, 1], [1, 0, 1, 0], [1, 0, 1, 1], [1, 1, 0, 0], [1, 1, 0, 1], [1, 1, 1, 0], [1, 1, 1, 1]]) y = np.array( [0, 0, 0, 2, 0, 1, 0, 0, 0, 0, 1, 0, 2, 0, 0, 0]) m.fit(x, tf.keras.utils.to_categorical(y), epochs=1000)
動画 URL: https://www.youtube.com/watch?v=so0zte2zfvk
m.predict( np.array([[1, 1, 0, 0]]) )
m.predict( np.array([[0, 1, 0, 1]]) )
m.predict( np.array([[1, 0, 0, 1]]) )
動画 URL: https://www.youtube.com/watch?v=N5ibKiukCUs
本サイトは金子邦彦研究室のWebページである．
資料等の公開では，原則，「クリエイティブコモンズ BY NC SA」として公開するようにしている． PDFファイル，パワーポイントファイルなどには， 「クリエイティブコモンズ BY NC SA」を明記するとともに，ロゴを記載するようにしている（作業が間に合っていない分もあるのでご容赦ください）．
公開している資料をご利用になる場合の，再配布の条件，剽窃の防止などについて，別ページで説明している． 再配布や資料改変の際には，そのページをご確認ください．
サイトマップは，サイトマップのページをご覧下さい． 本サイト内の検索は，サイト内検索のページをご利用下さい．
問い合わせ先： 金子邦彦（かねこ くにひこ） ![[image]](../../info/kanekomail.png){kind=small}