![](https://cdn-ak-scissors.b.st-hatena.com/image/square/467ad862ed866619792cfd2a492aa8149bb4cf9a/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBGdW1pby1laXNhbiZ0eHQtY29sb3I9JTIzMjEyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9MzQ5NjI5OTBkMmJlZmNiYzBhZGRlM2IwOTUzOTc4Mjc%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D285614ac54854b4e97d117cf6a06ed0a)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
多層ニューラルネットワーク(Keras)のパラメータを変えて損失関数の値に与える影響を評価した(題材:MNIST分類) - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
多層ニューラルネットワーク(Keras)のパラメータを変えて損失関数の値に与える影響を評価した(題材:MNIST分類) - Qiita
はじめに ニューラルネットワークはKerasやChainer, Torchなど多くのフレームワークが用意されており1行... はじめに ニューラルネットワークはKerasやChainer, Torchなど多くのフレームワークが用意されており1行ずつ組み合わせることで簡単にモデルを作成することが可能です。 なるべく早い時間で計算を行え、正確であることが良いモデルです。 今回、正確なモデルを作成する観点でモデルのパラメータを変えたときに損失関数の値に与える影響を評価しました。 今回の要点はこちらです。 モデルの概要 活性化関数による差 最適化手法による差 ニューラルネットワークの層による差 モデルの概要 今回はチュートリアルとしてよく使用される手書き数字認識MNISTを題材にします。ニューラルネットワークはKerasのフレームワークを用いて構成したいと思います。 Kerasの場合は以下の記述でニューラルネットワークモジュールをインポートすることが可能で、かつMNISTデータを格納させることが可能です。 import