＞＞ OplusE 2021年9・10月号（第481号）記事掲載 ＜＜

ディープラーニングの基本的な仕組み

　機械学習は，予測や意思決定を行うためのモデルをデータに基づいて構築する方法です。モデルとは，関数やルール表現などを言います。例えば，予測のモデルがあったときに，画像を入れるとカップというカテゴリーに変換したり，モノクロ画像をカラー画像に変換したりする関数のことです。入力と出力はいろいろなパターンが考えられ，これらを変えることで応用ができます。囲碁なら盤面を入力すると次の一手が出力されますし，翻訳なら日本語を入力すると英語が出力されます。音声認識なら音声信号を入力するとテキストが出力されます。モデルの部分は人が作ってもいいですが，今の主流はデータを使って機械自身で学習するものになってきています。
　機械学習の中でも，深いモデルを使うのを，ディープラーニング（深層学習）と言います。ニューラルネットワークは，非線形の計算ユニットを組み合わせた計算モデルで，複数の計算ユニットを何層も並べたものです。1つの計算ユニットでは，入力信号が入ってくると，それに重み付けをして足し，最後に非線形変換の処理をします。ポイントは，こうした単純な演算素子をたくさん並べて組み合わせることで，全体として非常に複雑な関数になります。計算ユニット内の重みパラメータを変えるとネットワークの応答が変わります。これらをデータに基づいて調整することを学習と呼びます。
　ディープラーニングにおける「学習」と「推論」の方法としては，画像分類モデルでは画像とその正解ラベルを訓練データとして準備し，訓練データを上手く分類できるようにニューラルネットワーク内の重みパラメータを調整します。これが「学習」です。ディープラーニングの学習では，訓練データを入力し，誤差（損失）を計算して，誤差が小さくなるように重みを更新するのを繰り返していきます。そして，学習したニューラルネットワークを新しいデータの予測に使います。これが「推論」です。できあがったモデルを使ってサービスを提供したり，効率化できるようにしたりするためには，「推論」での精度を高める必要があります。

＜次ページへ続く＞