『ゼロから作るDeepLearning 2』メモ #DeepLeaning

前回

p.31 MatMulノード

$\dfrac{\partial y_i}{\partial x_i} = W_{ij}$ となるのは、 $z=xy$ の乗算の逆伝播で $\dfrac{\partial z}{\partial x} = y$ となるのと同じ。

p.72 共起行列

def create_co_matrix(corpus, vocab_size, window_size=1):
    corpus_size = len(corpus) # 8
    co_matrix = np.zeros((vocab_size, vocab_size), dtype=np.int32)

    for idx, word_id in enumerate(corpus):
        for i in range(1, window_size + 1):
            left_idx = idx - i
            right_idx = idx + i

            if left_idx >= 0:
                left_word_id = corpus[left_idx]
                co_matrix[word_id, left_word_id] += 1

            if right_idx < corpus_size:
                right_word_id = corpus[right_idx]
                co_matrix[word_id, right_word_id] += 1

    return co_matrix

print(create_co_matrix([0, 1, 2, 3, 4, 1, 5, 6], 7))

# [[0 1 0 0 0 0 0]
#  [1 0 1 0 1 1 0]
#  [0 1 0 1 0 0 0]
#  [0 0 1 0 1 0 0]
#  [0 1 0 1 0 0 0]
#  [0 1 0 0 0 0 1]
#  [0 0 0 0 0 1 0]]

p.74 類似単語のランキング表示

コサイン類似度が高い = ウィンドウサイズ内に現れる同じ単語の数が多い

p.81 次元削減

p.84 SVDによる次元削減

>>> import numpy as np
>>> x = np.arange(1, 11).reshape(2, 5)
>>> print(x)
[[ 1  2  3  4  5]
 [ 6  7  8  9 10]]
>>> print(x[:, 1])
[2 7]
>>> print(x[:, 3])
[4 9]

p.103　CBOWモデルの推論処理

図3-10は図3-8のWと等しく、抜き出されるから各単語の重みとなっており、それを各単語の分散表現という

p.150 多値分類から二値分類へ(実装編)

sayを抜き出すならidxは複数いらなくない？

p.186　ループの展開

p.202 Time RNNレイヤの実装

p.303 Decoderクラス

図7-19の入力は教師データとして与えられており、図7-11の出力を想定している

『ゼロから作るDeepLearning 2』メモ