目次
まえがき
1章　Python入門
1.1　Pythonとは
1.2　Pythonのインストール
1.2.1　Pythonのバージョン
1.2.2　使用する外部ライブラリ
1.2.3　Anacondaディストリビューション
1.3　Pythonインタプリタ
1.3.1　算術計算
1.3.2　データ型
1.3.3　変数
1.3.4　リスト
1.3.5　ディクショナリ
1.3.6　ブーリアン
1.3.7　if文
1.3.8　for文
1.3.9　関数
1.4　Pythonスクリプトファイル
1.4.1　ファイルに保存
1.4.2　クラス
1.5　NumPy
1.5.1　NumPyのインポート
1.5.2　NumPy配列の生成
1.5.3　NumPyの算術計算
1.5.4　NumPyのN次元配列
1.5.5　ブロードキャスト
1.5.6　要素へのアクセス
1.6　Matplotlib
1.6.1　単純なグラフの描画
1.6.2　pyplotの機能
1.6.3　画像の表示
1.7　まとめ
2章　パーセプトロン
2.1　パーセプトロンとは
2.2　単純な論理回路
2.2.1　ANDゲート
2.2.2　NANDゲートとORゲート
2.3　パーセプトロンの実装
2.3.1　簡単な実装
2.3.2　重みとバイアスの導入
2.3.3　重みとバイアスによる実装
2.4　パーセプトロンの限界
2.4.1　XORゲート
2.4.2　線形と非線形
2.5　多層パーセプトロン
2.5.1　既存ゲートの組み合わせ
2.5.2　XORゲートの実装
2.6　NANDからコンピュータへ
2.7　まとめ
3章　ニューラルネットワーク
3.1　パーセプトロンからニューラルネットワークへ
3.1.1　ニューラルネットワークの例
3.1.2　パーセプトロンの復習
3.1.3　活性化関数の登場
3.2　活性化関数
3.2.1　シグモイド関数
3.2.2　ステップ関数の実装
3.2.3　ステップ関数のグラフ
3.2.4　シグモイド関数の実装
3.2.5　シグモイド関数とステップ関数の比較
3.2.6　非線形関数
3.2.7　ReLU関数
3.3　多次元配列の計算
3.3.1　多次元配列
3.3.2　行列の内積
3.3.3　ニューラルネットワークの内積
3.4　3層ニューラルネットワークの実装
3.4.1　記号の確認
3.4.2　各層における信号伝達の実装
3.4.3　実装のまとめ
3.5　出力層の設計
3.5.1　恒等関数とソフトマックス関数
3.5.2　ソフトマックス関数の実装上の注意
3.5.3　ソフトマックス関数の特徴
3.5.4　出力層のニューロンの数
3.6　手書き数字認識
3.6.1　MNISTデータセット
3.6.2　ニューラルネットワークの推論処理
3.6.3　バッチ処理
3.7　まとめ
4章　ニューラルネットワークの学習
4.1　データから学習する
4.1.1　データ駆動
4.1.2　訓練データとテストデータ
4.2　損失関数
4.2.1　2乗和誤差
4.2.2　交差エントロピー誤差
4.2.3　ミニバッチ学習
4.2.4　［バッチ対応版］交差エントロピー誤差の実装
4.2.5　なぜ損失関数を設定するのか？
4.3　数値微分
4.3.1　微分
4.3.2　数値微分の例
4.3.3　偏微分
4.4　勾配
4.4.1　勾配法
4.4.2　ニューラルネットワークに対する勾配
4.5　学習アルゴリズムの実装
4.5.1　2層ニューラルネットワークのクラス
4.5.2　ミニバッチ学習の実装
4.5.3　テストデータで評価
4.6　まとめ
5章　誤差逆伝播法
5.1　計算グラフ
5.1.1　計算グラフで解く
5.1.2　局所的な計算
5.1.3　なぜ計算グラフで解くのか？
5.2　連鎖率
5.2.1　計算グラフの逆伝播
5.2.2　連鎖率とは
5.2.3　連鎖率と計算グラフ
5.3　逆伝播
5.3.1　加算ノードの逆伝播
5.3.2　乗算ノードの逆伝播
5.3.3　リンゴの例
5.4　単純なレイヤの実装
5.4.1　乗算レイヤの実装
5.4.2　加算レイヤの実装
5.5　活性化関数レイヤの実装
5.5.1　ReLUレイヤ
5.5.2　Sigmoidレイヤ
5.6　A.ne／Softmaxレイヤの実装
5.6.1　A.neレイヤ
5.6.2　バッチ版A.neレイヤ
5.6.3　Softmax-with-Lossレイヤ
5.7　誤差逆伝播法の実装
5.7.1　ニューラルネットワークの学習の全体図
5.7.2　誤差逆伝播法に対応したニューラルネットワークの実装
5.7.3　誤差逆伝播法の勾配確認
5.7.4　誤差逆伝播法を使った学習
5.8　まとめ
6章　学習に関するテクニック
6.1　パラメータの更新
6.1.1　冒険家の話
6.1.2　SGD
6.1.3　SGDの欠点
6.1.4　Momentum
6.1.5　AdaGrad
6.1.6　Adam
6.1.7　どの更新手法を用いるか？
6.1.8　MNISTデータセットによる更新手法の比較
6.2　重みの初期値
6.2.1　重みの初期値を0にする？
6.2.2　隠れ層のアクティベーション分布
6.2.3　ReLUの場合の重みの初期値
6.2.4　MNISTデータセットによる重み初期値の比較
6.3　Batch Normalization
6.3.1　Batch Normalizationのアルゴリズム
6.3.2　Batch Normalizationの評価
6.4　正則化
6.4.1　過学習
6.4.2　Weight decay
6.4.3　Dropout
6.5　ハイパーパラメータの検証
6.5.1　検証データ
6.5.2　ハイパーパラメータの最適化
6.5.3　ハイパーパラメータ最適化の実装
6.6　まとめ
7章　畳み込みニューラルネットワーク
7.1　全体の構造
7.2　畳み込み層
7.2.1　全結合層の問題点
7.2.2　畳み込み演算
7.2.3　パディング
7.2.4　ストライド
7.2.5　3次元データの畳み込み演算
7.2.6　ブロックで考える
7.2.7　バッチ処理
7.3　プーリング層
7.3.1　プーリング層の特徴
7.4　Convolution／Poolingレイヤの実装
7.4.1　4次元配列
7.4.2　im2colによる展開
7.4.3　Convolutionレイヤの実装
7.4.4　Poolingレイヤの実装
7.5　CNNの実装
7.6　CNNの可視化
7.6.1　1層目の重みの可視化
7.6.2　階層構造による情報抽出
7.7　代表的なCNN
7.7.1　LeNet
7.7.2　AlexNet
7.8　まとめ
8章　ディープラーニング
8.1　ネットワークをより深く
8.1.1　よりディープなネットワークへ
8.1.2　さらに認識精度を高めるには
8.1.3　層を深くすることのモチベーション
8.2　ディープラーニングの小歴史
8.2.1　ImageNet
8.2.2　VGG
8.2.3　GoogLeNet
8.2.4　ResNet
8.3　ディープラーニングの高速化
8.3.1　取り組むべき問題
8.3.2　GPUによる高速化
8.3.3　分散学習
8.3.4　演算精度のビット削減
8.4　ディープラーニングの実用例
8.4.1　物体検出
8.4.2　セグメンテーション
8.4.3　画像キャプション生成
8.5　ディープラーニングの未来
8.5.1　画像スタイル変換
8.5.2　画像生成
8.5.3　自動運転
8.5.4　Deep Q-Network（強化学習）
8.6　まとめ
付録A　Softmax-with-Lossレイヤの計算グラフ
A.1　順伝播
A.2　逆伝播
A.3　まとめ
参考文献
Python / NumPy
計算グラフ（誤差逆伝播法）
Deep Learningのオンライン授業（資料）
パラメータの更新方法
重みパラメータの初期値
Batch Normalization / Dropout
ハイパーパラメータの最適化
CNNの可視化
代表的なネットワーク
データセット
計算の高速化
MNISTデータセットの精度ランキングおよび最高精度の手法
ディープラーニングのアプリケーション
索引
· · · · · · (收起)