(cats-vs-dogs-classification)
畳み込みニューラルネットワーク（CNN）は、畳み込み層を通じて学習済みのフィルター（カーネル）を用い、入力画像から特徴を抽出します。このフィルターは、画像の様々な側面に重みとバイアスを適用し、特徴抽出を助けます。さらに、バッチ正規化を用いてバッチ全体で入力を正規化することで、学習を安定化させ、効率を高めます。ネットワークは、予測とラベルの間の誤差を最小化するためにパラメーターを反復的に調整し、バッチごとにその予測精度が向上していきます。バッチ正規化を導入する前には、学習が不安定になりやすいことが観察されます。 バッチ正規化する前の結果として-----
学習を強化し予測機能が徐々に向上するため いくつか方法があります。
- データの追加
- データ拡張
- L1/L2 正規化 (古い手法)
- ドロップアウト
- バッチ正規化
- 複雑さの軽減
今回「ドロップアウトとバッチ正規化」技術を適用して過剰適合(data overfitting)を減らします。
「ドロップアウトとバッチ正規化」を適用することで、学習プロセスが強化され、訓練データとテストデータ間の性能差（ギャップ）を埋める効果が得られます。そして、バッチ正規化を使用することで、層ごとの出力がバッチ全体で一定の範囲に収まり、学習の安定性が向上し、学習速度も加速します。その結果、テストデータに対してもより優れた汎化性能を持つモデルが得られるようになります。