再帰ニューラルレイヤクラス [詳解]

#include <ARCS6/lib/RecurrentNeuralLayer.hh>

ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD > 連携図

公開メンバ関数
	RecurrentNeuralLayer ()
	コンストラクタ

	RecurrentNeuralLayer (RecurrentNeuralLayer &&r)
	ムーブコンストラクタ

	~RecurrentNeuralLayer ()
	デストラクタ

void	PropagateForward (const std::array< Matrix< 1, N >, W+2 > &zprev, const size_t t)
	順伝播計算(ベクトル入出力版)

void	PropagateBackward (const std::array< Matrix< 1, P >, W+2 > &dLdznext, const size_t t)
	逆伝播計算(入力層と内部層用，ベクトル入出力版)

void	PropagateBackward (const Matrix< 1, P > &dLdenext, const size_t t)
	逆伝播計算(-)

void	PropagateForwardForOutput (const std::array< Matrix< 1, N >, W+2 > &zprev)
	順伝播計算(出力層用，ベクトル入出力版)

void	PropagateBackwardForOutput (const Matrix< 1, P > &r)
	出力の重み誤差ベクトル計算(出力層用，ベクトル入出力訓練版)

void	UpdateWeightAndBias (const std::array< Matrix< 1, N >, W+2 > &zprev)
	重み行列とバイアスベクトルの更新

void	UpdateWeightAndBiasForOutput (const std::array< Matrix< 1, N >, W+2 > &zprev)
	重み行列とバイアスベクトルの更新(出力層用)

void	ClearStateVars (void)

void	InitWeight (const size_t Nprev)
	重み行列の初期化

void	DispWeightAndBias (void)
	重み行列とバイアスベクトルの表示

void	DispError (void)

void	GenerateDropMask (void)
	ドロップアウトマスクの生成

公開変数類
std::array< Matrix< 1, P >, W+2 >	z
	活性化関数通過後の状態ベクトルの時系列配列(範囲 t = 1 … T, t = 0 と T + 1 の分も確保)

std::array< Matrix< 1, N >, W+2 >	dLdz
	勾配ベクトルの時系列配列(範囲 t = 1 … T, t = 0 と T + 1 の分も確保)

Matrix< 1, N >	dLde
	勾配ベクトルの時系列配列(出力層用)

詳解

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>
class ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >

再帰ニューラルレイヤクラス

テンプレート引数

N	入力チャネル数
P	パーセプトロン数
T	時系列方向のデータ数
W	入力ウィンドウ幅
M	ミニバッチ数
AF	活性化関数の種類
IT	初期化のタイプ
GD	勾配降下法のタイプ
DD	ドロップアウト動作フラグ

構築子と解体子

◆ RecurrentNeuralLayer()

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::RecurrentNeuralLayer ( RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD > && r )

inline

ムーブコンストラクタ

引数

[in] r 右辺値

関数詳解

◆ InitWeight()

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::InitWeight ( const size_t Nprev )

inline

重み行列の初期化

引数

[in] Nprev 前層のユニット数

◆ PropagateBackward() [1/2]

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::PropagateBackward	(	const Matrix< 1, P > &	dLdenext,
		const size_t	t )

inline

逆伝播計算(-)

引数

[in]	dLdznext	後ろの層からの勾配ベクトル
[in]	t	時刻インデックス

◆ PropagateBackward() [2/2]

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::PropagateBackward	(	const std::array< Matrix< 1, P >, W+2 > &	dLdznext,
		const size_t	t )

inline

逆伝播計算(入力層と内部層用，ベクトル入出力版)

引数

[in]	dLdznext	後ろの層からの勾配ベクトル
[in]	t	時刻インデックス

◆ PropagateBackwardForOutput()

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::PropagateBackwardForOutput ( const Matrix< 1, P > & r )

inline

出力の重み誤差ベクトル計算(出力層用，ベクトル入出力訓練版)

引数

[in]	r	目標値ベクトル
[in]	t	時刻インデックス

◆ PropagateForward()

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::PropagateForward	(	const std::array< Matrix< 1, N >, W+2 > &	zprev,
		const size_t	t )

inline

順伝播計算(ベクトル入出力版)

引数

[in]	zprev	前の層からの入力ベクトル
[in]	t	時刻インデックス

◆ UpdateWeightAndBias()

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::UpdateWeightAndBias ( const std::array< Matrix< 1, N >, W+2 > & zprev )

inline

重み行列とバイアスベクトルの更新

引数

[in] zprev 前の層からの入力ベクトル

◆ UpdateWeightAndBiasForOutput()

template<size_t N, size_t P, size_t T, size_t W, size_t M, ActvFunc AF, NnInitTypes IT = NnInitTypes::XAVIER, NnDescentTypes GD = NnDescentTypes::MOMENTUM, NnDropout DD = NnDropout::DISABLE>

void ARCS::RecurrentNeuralLayer< N, P, T, W, M, AF, IT, GD, DD >::UpdateWeightAndBiasForOutput ( const std::array< Matrix< 1, N >, W+2 > & zprev )

inline

重み行列とバイアスベクトルの更新(出力層用)

引数

[in] zprev 前の層からの入力ベクトル

このクラス詳解は次のファイルから抽出されました:

ARCS6/lib/RecurrentNeuralLayer.hh

公開メンバ関数

公開変数類

詳解

構築子と解体子

◆ RecurrentNeuralLayer()

関数詳解

◆ InitWeight()

◆ PropagateBackward() [1/2]

◆ PropagateBackward() [2/2]

◆ PropagateBackwardForOutput()

◆ PropagateForward()

◆ UpdateWeightAndBias()

◆ UpdateWeightAndBiasForOutput()