ゼロから作るDeep Learning
三角関数のサンプリング学習（WebWorkersによる並列計算）

昨今注目を集めているAI（人工知能）を学びたいと思い立ち、ディープラーニング（Deep Learning、深層学習）と呼ばれるAIの数理モデルである多層構造のニューラルネットワークを書籍「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」を参考にを独習していきたいと思います。本書籍ではプログラミング言語としてPythonが利用されていますが、本項ではJavaScriptで実装していきます。

目次

• 準備１：行列の和と積を計算する関数の実装
• 準備２：ベクトルと行列の積を計算する関数の実装
• 準備３：多変数関数の数値微分と極小値の探索
• １．１層ニューラルネットワークの実装（バイアスなし、活性化関数なし、学習なし）
• ２．１層ニューラルネットワークへのバイアスと活性化関数の追加
• ３．1n1型２層ニューラルネットワークの実装（学習なし）
• ４．１変数関数を学習させてみる１：勾配法による学習計算アルゴリズム
• ５．１変数関数を学習させてみる２：勾配法による学習計算アルゴリズムの実装
• ６．１変数関数を学習させてみる３：ニューロン数による学習効果の違い
• ７．誤差逆伝搬法（バックプロパゲーション）の導出
• ８．順伝播型ニューラルネットワーク「FFNNクラス」の実装（JavaScript）
• ９．三角関数のサンプリング学習（WebWorkersによる並列計算）
• 10．学習後の各層ニューロンの重みの可視化
• 11．層数とニューロン数による学習効果の違い

三角関数のサンプリング学習

前項で開発した順伝播型ニューラルネットワークFNNNクラスを用いて三角関数を学習させます。 今回は、複数並列で1000回ごとの学習で最も学習効果が上がっている結果（重みとバイアス）を用いて次の1000回の学習を複数並列で行うという学習スタイルで行います（６層ニューラルネットワーク（各層のニューロン数：1,10,10,10,10,1））。 複数並列の計算はWebWorkersを用いて並列計算を行います。

実行結果

【メモ】今回は実行時間を考慮して学習回数の区切りを1000回としましたが、もっと大きな回数、例えば10000回の方が学習が安定することがわかりました。（実行ごとに結果が異なり、学習がうまく行っていない場合が存在します。）