ディープラーニングの基本的なところ

教科書：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

ディープラーニングってのは要するに…

インプットに対して、アウトプットどうなの？というところを
小難しく処理する方法なワケで
僕、なかなかいい例え話を思いつきましたｗ
名付けて「バッターボックスに立ったバッターは、如何にしてバットにボールを当てるのか、学習過程を学習してみようか（長）」
・インプット（の信号）は、ピッチャーの手からボールが離れること（01に単純化できる）
・アウトプットはバッターがバットを振る（01に単純化できる）
・まずは話を単純化するために、一定の場所にボールが飛んで来ることを想定しようや
・飽くまで「ニューラルネットワークとかディープラーニングってこんな感じ」の例えです。間違ってる等指摘は要りません

過程０　早い応答は善か？

インプット（ピッチャーが投げた）の途端に、アウトプット（バットを振る）結果　空振り…
いや、バカでしょ…　┐(´д｀)┌

過程１　んじゃアウトプット待つべ

インプット　＋　ディレイ（適当≒初期値）　＝　アウトプット
結果は上よりもいい感じになったけど、空振り…

過程２　んじゃ待ち時間を調整するべ

インプット　＋　ディレイ（変数）＝　アウトプット
↑変数が重み
結果は上よりも更に「ちょっといい感じ」になったけど、やっぱり空振り…
↑「ちょっと」が「勾配」
・
・　←　「ちょっといい」を積み重ねて、「重み」を最適化（学習）させる
・
過程xxx
インプット　＋　ディレイ（最適化された重み）　＝　アウトプット
結果、高確率で当たる（かもしれない）
この例えで言えば、「ディレイ」の部分が1つのニューロン。
入力に対して、このニューロンが反応（発火）するかしないかで、出力が決まる（若干の嘘風味だけど）
では、球種が増えたら？
ニューロンを増やす（層を増やす）
インプット　+　ディレイ　＋　ストレート　＋　＝　アウトプット
＋　カーブ　　＋
＋　シュート　＋
＋　フォーク　＋
…
えっ、じゃぁ、前後の球種は？
ニューロンを増やす（ｗ）
学習して重みを最適化
えっ、じゃぁ、風向きとかは？
ニューロンを増やす（ｗ）
学習して重みを最適化
えっ、じゃぁ、その日の体調は？
ニューロンを増やす（ｗ）
学習して重みを最適化
…
ぶっちゃけ、基本的な考え方はコレだけ。
ニューロンが増えれば、入力に対するアウトプット（に含まれている成分）が増える。
この場合、アウトプットは「振る/振らない」の2択だけど、その選択に至る思考過程に深みが出ると言うか…。
んじゃ、
端からニューロンめっちゃいっぱい用意しとけばよくね？
んでめっちゃたくさん、いろんな球種を学習させたらよくね？
そしたら最強バッターできるじゃん♪
多分その通り
…ただし最適化のための計算コストがアホみたい膨大にかかるです。
今に至ってこの計算量の問題に対しては
行列計算が得意なGPUが用いられるわけですが、
コレについてはまた別のお話。