KEI

数値計算

MATLAB,Python,Scilab,Julia比較 第4章 その30【連鎖律の前準備④】

商の微分方式の話。 逆数の微分公式と積の微分公式の合わせ技で導出。 商の微分方式はシグモイド関数の導関数導出で生きてくる。
数値計算

MATLAB,Python,Scilab,Julia比較 第4章 その29【連鎖律の前準備③】

積の微分公式を導出。 少しトリッキーなことをする。 f(x)の極限と、g(x)の極限に分けられるような細工。
数値計算

MATLAB,Python,Scilab,Julia比較 第4章 その28【連鎖律の前準備②】

連鎖律を把握するための知識を列挙。 恐らく数式ラッシュになる。 まずは逆数の微分公式。 途中、式を分解してそれぞれの導関数を求めてから代入で導出できる。
数値計算

MATLAB,Python,Scilab,Julia比較 第4章 その27【連鎖律の前準備①】

総当たり法では非効率なので最適化アルゴリズムを使用する。 最適化アルゴリズムを使用するには連鎖律が必要。 連鎖律を利用するには損失、活性化関数、各層の入力の導関数を求める必要がある。
数値計算

【入門】シグモイドによる決定境界安定化(Julia)【数値計算】

活性化関数をシグモイド関数にした形式ニューロンをJuliaで実現。 結果はカスタムヘヴィサイドの時と一緒。
数値計算

【入門】シグモイドによる決定境界安定化(Scilab)【数値計算】

活性化関数をシグモイド関数にした形式ニューロンをScilabで実現。 結果はカスタムヘヴィサイドの時と一緒。
数値計算

【入門】シグモイドによる決定境界安定化(Python)【数値計算】

活性化関数をシグモイド関数にした形式ニューロンをPython(NumPy)で実現。 結果はカスタムヘヴィサイドの時と一緒。
数値計算

【入門】シグモイドによる決定境界安定化(MATLAB)【数値計算】

活性化関数をシグモイド関数にした形式ニューロンをMATLABで実現。 結果はカスタムヘヴィサイドの時と一緒。
数値計算

MATLAB,Python,Scilab,Julia比較 第4章 その26【シグモイドによる決定境界安定化⑥】

活性化関数をシグモイド関数にした形式ニューロンをJuliaで実現。 結果はカスタムヘヴィサイドの時と一緒。
数値計算

MATLAB,Python,Scilab,Julia比較 第4章 その25【シグモイドによる決定境界安定化⑤】

活性化関数をシグモイド関数にした形式ニューロンをScilabで実現。 結果はカスタムヘヴィサイドの時と一緒。