#目的
深層学習に関して、自分なりに理解しているが、
理解が間違えている（間違えていることに気づいていないわけだが）ところや、理解しづらいところとか沢山あり、
たまに、偶然、関心事にちょっとひびく資料に出会うことがある。
⇒見失うので、記事で残す。
#面白いと思った資料
###資料１ 『深層学習の汎化に関する 数理的研究の進展』
https://www.gakushuin.ac.jp/~881791/spm/2019/pdf/Taki.pdf
| コメント |
|---|
| 一層一層示されているのが面白かった。 |
|
再構成困難というのが(表現が）興味深かった。 深層学習の説明性等で、可視化を試みる例があるが、この資料は、1層1層示されているので、参考になる気がした。 |
| コメント |
|---|
| 「丸暗記」うんぬんの言葉遣いが面白かった。 |
###資料2 『ニューラルネットワークの中をのぞく』
https://ml4a.github.io/ml4a/jp/looking_inside_neural_nets/
| コメント |
|---|
| 1層というのが斬新（訓練した結果が示されている）。 |
少し関連するが、 【疑問点１】 たとえば、VGG16とかで、全結合層が、平面的な位置情報の性質が残っているのか残っていないのかが、ワタシの、最近の疑問点。 |
資料3 『Tensor』
https://en.wikipedia.org/wiki/Tensor
| コメント |
|---|
| tensorflowの名称などで、tensor（テンソル）という言葉が、深層学習に絡むような、絡まないような感じであるが、テンソル自体が、わりとわかりにくいので、収まりが悪い。 |
| テンソルの例を示したこの表は、参考になる。（表の大半は、深層学習とは無関係であるが。） |
資料4 ディープラーニングの理論解析、ニューラルネットの未解決問題の解明へ大きく前進 PFN岡野原氏によるAI解説：第43回
（1）なぜディープラーニングは学習できるのか
（2）なぜディープラーニングは汎化するのか
| コメント |
|---|
| 専門家の間では、この類が十分に議論されていることを、今一度、認識した。 |
| ->強烈な実成果（実際のメリット）が出ると、初めて、検討がされていたことが認識されると思う。今は、それに該当するものがない？、もしくは、目立っていないと思う。 |
###資料5 畳み込みニューラルネットワークの高精度化と高速化
| コメント |
|---|
| **ネットワークモデルの変遷（の図）**が示されている。意外とそのような図は見ないので、すばらしいのでは？ |
| また、この方の発信、沢山のあるので、レベルが高いのだと思う。図を貼りたい気もしたが、、、上記のを直接みて下さい。 |
| 今後何度か、ちらちら、見る気がする |
###資料6 数式の読み方，大学で学ぶ数学公式
以下、一例を引用。
| コメント |
|---|
| 読み方がわかると、理解が深まり、思考が進むのでは？ |
###資料7 『深層学習の数理』
https://www.slideshare.net/trinmu/ss-161240890
| コメント |
|---|
| すみません、内容、全く理解できていません。 |
| タイトル、深層学習の数理通りの内容。182ページもある。 |
| このあたりが大まかに理解できるといいのだが。。。 |
| 『深層NNの局所的最適解は全て大域的最適解』と書かれているが、なぜ、そんな都合のいい話になるのだろう？？ |
###資料8 『ベイズモデリングと歩んだ30年』
https://www.ism.ac.jp/events/2019/meeting1105/ISM_20191105.pdf
| コメント |
|---|
| 帰納とか演繹という単語が出てたので。。。 |
###資料9 『NNが心理学と生理学から離れていった瞬間：Back propagationに関するNature論文(1986)の意義を考える』
https://tjo.hatenablog.com/entry/2018/10/23/080000
| コメント |
|---|
| 『NNが心理学と生理学から離れていった瞬間：Back propagationに関するNature論文(1986)の意義を考える』とういう興味深いタイトルで、内容も面白い。 |
#まとめ
特にありません。コメントなどあれば、お願いします。