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。
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
ニューラルネットの活性化関数 その2
記事「ニューラルネットの活性化関数 その1」の閲覧数がそこそこあるので、近年の活性化関数も記してお... 記事「ニューラルネットの活性化関数 その1」の閲覧数がそこそこあるので、近年の活性化関数も記しておきます。 (1) Rectified linear unit (ReLU) (2) Maxout activation functions (Maxout) 以下、簡単に解説しますが、不正確な表現も含みますので、正確な解釈は論文を読んでください。 (1) Rectified linear unit (ReLU) について 活性化関数は、 f(x) = max(0, x) で、x > 0 の時は f(x) = x、x <= 0 の時は f(x) = 0 となります。 導関数は、 x > 0 の時は f'(x) = 1 です。x <= 0 の時は f'(x) = 0 となるので、結合荷重は変化しません。 こんな簡単な活性化関数で大丈夫なのかと思われるかもしれませんが、隠れ層のユニットの数がそこそこ