情報科学 › 機械学習の数学 › ニューラルネットワークと逆伝播

連鎖律

定理 3.1(「ニューラルネットワークと逆伝播」§3) ・ ✓公理まで証明済み

U⊂RnU \subset \mathbb{R}^n、V⊂RmV \subset \mathbb{R}^m を開集合とし、写像 g:U→Rm\boldsymbol{g} : U \to \mathbb{R}^m が g(U)⊂V\boldsymbol{g}(U) \subset V を満たすとする。g\boldsymbol{g} が点 a∈U\boldsymbol{a} \in U で全微分可能、f:V→Rp\boldsymbol{f} : V \to \mathbb{R}^p が点 b:=g(a)\boldsymbol{b} := \boldsymbol{g}(\boldsymbol{a}) で全微分可能とする。このとき合成 f∘g:U→Rp\boldsymbol{f} \circ \boldsymbol{g} : U \to \mathbb{R}^p は a\boldsymbol{a} で全微分可能で

Jf∘g(a)=Jf(b) Jg(a).J_{\boldsymbol{f} \circ \boldsymbol{g}}(\boldsymbol{a}) = J_{\boldsymbol{f}}(\boldsymbol{b})\, J_{\boldsymbol{g}}(\boldsymbol{a}) .

成分で書けば、i=1,…,pi = 1,\ldots,p、j=1,…,nj = 1,\ldots,n について

∂(f∘g)i∂xj(a)=∑k=1m∂fi∂yk(b) ∂gk∂xj(a).\frac{\partial (f \circ g)_i}{\partial x_j}(\boldsymbol{a}) = \sum_{k=1}^{m} \frac{\partial f_i}{\partial y_k}(\boldsymbol{b}) \, \frac{\partial g_k}{\partial x_j}(\boldsymbol{a}) .

本文で読む(証明と前後の説明)→

閉包の状態

✓ 公理まで証明済み

証明が使う定理を 前提 としてたどると、Rikai の中の証明だけで定義・公理(物理では基本仮定)までつながっています(前提の定理類 0 件、定義なども含めて 1 件)。

印の意味: ✓公理まで証明済み ・ △証明あり(閉包未完)・ ※主張のみ。テーマごとの集計は 閉包の状況。

前提をたどる 証明が使う定理・定義(直接 1 件)

▸ を開くと、その項目の証明が使う前提が出ます。深い先は各項目のページでたどれます。

これを使っている定理 証明で参照している 3 件

関連するノック 1 問