WEBVTT 00:00.180 --> 00:02.190 こんにちは､ ディープラーニングの講座にようこそ｡ 00:02.190 --> 00:07.830 今日は､ 人工ニューラルネットワークの基本構成要素であるニューロンについてお話します｡ 00:07.830 --> 00:08.970 では､ さっそく始めましょう｡ 00:09.180 --> 00:14.460 以前､ このような画像を見たことがありますが､ これは実際の神経細胞をグロスの上に塗り､ 00:14.460 --> 00:19.890 少し色をつけて､ 顕微鏡で観察したものです｡ 00:19.890 --> 00:21.000 だから､ こんな風に見えるんですね｡ 00:21.000 --> 00:30.060 見ての通り､ 非常に面白い構造をしていて､ 本体と､ そこから枝のように出ているたくさんの異なる尾があります｡ 00:30.060 --> 00:35.910 そして､ これは非常に興味深いのですが､ 問題は､ それをどうやって機械で再現するかということです｡ 00:35.910 --> 00:42.660 なぜなら､ 深層学習の目的は､ 人間の脳の働きを模倣することであり､ 00:42.660 --> 00:50.880 そうすることで何か素晴らしいものが生まれると期待しているからです｡ 00:50.880 --> 00:54.960 機械が学習できるようにするために､ 素晴らしいインフラを作るつもりです｡ 00:54.960 --> 00:56.730 そして､ なぜそれを望むのでしょうか｡ 00:56.730 --> 01:07.200 人間の脳は､ 地球上で最も強力な学習学習ツールの一つであり､ 地球上の学習メカニズムのようなものだからです｡ 01:07.200 --> 01:11.250 そして､ それを再現すれば､ それに匹敵するような素晴らしいものができるのではないかと期待するばかりです｡ 01:11.250 --> 01:18.210 つまり､ 人工ニューラルネットワークを作るための最初のステップは､ 神経細胞を再現することなのです｡ 01:18.210 --> 01:19.020 では､ どうすればいいのか｡ 01:19.020 --> 01:23.190 さて､ まずは実際にどんなものなのか､ 詳しく見てみましょう｡ 01:23.700 --> 01:34.320 この画像は､ 1899年にスペインの神経科学者サンティアゴ・ラモン・カハルが初めて作ったもので､ 彼が行ったのは､ 実際の脳組織の神経細胞を死滅させて､ 01:34.320 --> 01:39.600 顕微鏡で観察することでした｡ 01:39.600 --> 01:42.450 そして､ それを見ながら､ 実際に見たものを絵にしていったのです｡ 01:42.450 --> 01:43.470 そして､ 彼が見たものはこれだ｡ 01:43.470 --> 01:52.200 彼は､ 上部に2つのニューロン､ あるいは2つの大きなニューロンがあり､ そこから上部に向かって枝が出ているのを見たのです｡ 01:52.200 --> 02:01.410 そして､ その一つひとつに､ 棒のような､ 糸のようなものが､ とても長いものが下の方に向かって出ていて､ そう､ それが彼の見たものだったのです｡ 02:01.410 --> 02:11.850 そして現在､ 技術はかなり進歩し､ 神経細胞をより近くで､ より詳細に見ることができるようになり､ 実際にドラマチックにその姿を描くことができるようになりました｡ 02:11.850 --> 02:13.140 では､ その様子を見てみましょう｡ 02:13.140 --> 02:14.100 これが神経細胞です｡ 02:14.100 --> 02:22.050 これはサンチャゴ・ラモンが描いたものと非常によく似ています｡ この神経細胞には､ 神経細胞の主要部分である本体と､ 02:22.050 --> 02:29.010 樹状突起と呼ばれる上部の枝があることがわかります｡ 02:29.010 --> 02:32.760 また､ 軸索という､ 神経細胞の長い尾を引く部分があります｡ 02:33.180 --> 02:36.630 では､ 樹状突起は何のためにあり､ 軸索は何のためにあるのでしょうか？ 02:36.630 --> 02:43.950 さて､ ここで理解していただきたいのは､ 神経細胞単体ではほとんど役に立たないということです｡ 02:43.950 --> 02:45.870 まるでアリみたいでしょう？ 02:45.870 --> 02:47.220 アリが一匹で｡ 02:47.220 --> 02:49.560 5匹のアリが一緒にいるようなことはあまりできない｡ 02:49.740 --> 02:51.090 何か拾えるかもしれない｡ 02:51.090 --> 02:54.060 しかし､ 繰り返すが､ 彼らは蟻塚を作ることができないのだ｡ 02:54.210 --> 02:55.380 コロニーを作ることができないのです｡ 02:55.380 --> 02:59.220 巨大な生物として一緒に働くことができないのです｡ 02:59.220 --> 03:03.240 しかし､ 同時に､ たくさんの広告があれば､ 例えば100万匹のアリがいれば､ コロニー全体を作り､ 03:03.240 --> 03:05.520 蟻塚を作ることができます｡ 03:05.550 --> 03:07.050 ニューロン単体でも同じことです｡ 03:07.050 --> 03:07.740 そんなに強くないんです｡ 03:07.740 --> 03:12.210 しかし､ 神経細胞がたくさん集まっていると､ それらが連携して魔法をかけるのです｡ 03:12.210 --> 03:13.740 そして､ どのように連携しているのか｡ 03:13.740 --> 03:14.340 それが問題なのです｡ 03:14.340 --> 03:16.620 そのために樹状突起と軸索があるんです｡ 03:16.620 --> 03:22.800 つまり､ 樹状突起はニューロンの信号の受信機のようなもので､ 軸索はニューロンの信号の送信機ということになります｡ 03:22.920 --> 03:26.460 そして､ コンセプト的にどのような仕組みになっているのか､ そのイメージをご紹介します｡ 03:26.460 --> 03:35.640 つまり､ 一番上に神経細胞があり､ その樹状突起は､ さらにその上にある他の神経細胞の軸索とつながっていることがわかります｡ 03:35.760 --> 03:43.530 そして､ このニューロンからの信号が軸索を伝わって､ 次のニューロンの樹状突起に接続､ あるいは通過するのです｡ 03:43.530 --> 03:44.730 そして､ そうやってつながっていくのです｡ 03:44.730 --> 03:52.320 この小さな画像では､ 軸索は実際には樹状突起に接触していないことがわかります｡ 03:52.350 --> 03:58.700 多くの機械学習､ あるいは少数の機械学習のように､ 科学者はそのことに固執しています｡ 03:58.710 --> 04:06.750 触れないように触るということは､ そこに物理的なつながりがないことが証明されているのです｡ 04:06.750 --> 04:16.230 しかし､ 私たちが関心を持っているのは､ その間のつながり､ つまり信号の受け渡しの全体概念､ それをサインアップと呼んでいる点です｡ 04:16.230 --> 04:23.730 この小さな画像にある図の括弧はサインアップで､ これから使用する用語です｡ 04:23.730 --> 04:29.610 つまり､ 人工ニューロンや人工ニューロン用のコネクタを軸索や樹状突起と呼ぶのではなく､ 04:29.610 --> 04:35.130 「これは誰の接続なのか？ 04:35.130 --> 04:36.810 そのニューロンなのか､ このニューロンなのか？ 04:36.810 --> 04:39.210 私たちはただ､ 彼らをサインアップと呼ぶことにしています｡ 04:39.210 --> 04:42.630 そうすれば､ すべての疑問にすぐに答えてくれるでしょう｡ 04:42.630 --> 04:45.020 それは基本的に信号の受け渡しをするところだけです｡ 04:45.030 --> 04:47.550 その要素が誰のものであるかは問題ではありません｡ 04:47.550 --> 04:50.160 それは､ 信号の受け渡しを表現しているに過ぎない｡ 04:50.160 --> 04:51.240 そして､ ちょうど今､ それを見ることができます｡ 04:51.750 --> 04:54.840 つまり､ 基本的に神経細胞はそのように機能するのです｡ 04:54.840 --> 04:59.940 そうそう､ では､ ニューロンをどう表現するのか､ どうやって表現するのかに話を移しましょう｡ 05:00.210 --> 05:03.300 機械にニューロンを作る｡ 05:03.300 --> 05:04.800 だから､ 今､ 離れているんです｡ 05:04.800 --> 05:10.200 神経科学からテクノロジーに移行して､ さあ､ これからです｡ 05:10.200 --> 05:13.200 これがニューロンで､ ノードと呼ばれることもあります｡ 05:13.620 --> 05:18.240 ニューロンはいくつかの入力信号を得て､ 出力信号を持つ｡ 05:18.240 --> 05:20.820 だから､ 樹状突起と軸索､ 覚えておいてください｡ 05:20.820 --> 05:28.950 しかし､ もう一度言いますが､ これらのシナプスは､ これらの入力信号を､ 他のニューロンで表現することになるのです｡ 05:28.950 --> 05:35.760 この場合､ このニューロン､ つまり緑のニューロンは､ 黄色のニューロンから信号を受け取っていることがわかります｡ 05:35.760 --> 05:42.480 この講座では､ 黄色が入力層を意味する､ ある色分けにこだわってみることにします｡ 05:42.480 --> 05:50.550 つまり､ 基本的には外側の層､ あるいは信号が入ってくる前面にあるすべてのニューロンが､ 05:50.550 --> 05:57.060 信号によって､ これを信号と呼ぶのは少しやりすぎのような気がします｡ 05:57.060 --> 05:58.710 基本的には入力値だけです｡ 05:58.710 --> 06:04.950 単純な線形回帰でも､ 入力値があって､ 予測値がありますよね｡ 06:04.950 --> 06:05.550 こちらも同じです｡ 06:05.550 --> 06:08.850 入力値があって､ そこに黄色いものがあるわけです｡ 06:08.850 --> 06:12.330 そして右側には､ 先ほど赤く表示された､ 出力値が表示されています｡ 06:13.300 --> 06:17.100 ここで指摘したいのは､ この具体例では､ 入力層のニューロンから信号を得ているニューロンを見ている､ 06:17.100 --> 06:21.150 ということです｡ 06:21.160 --> 06:23.790 つまり､ これもニューロンですが､ 入力層のニューロンなのです｡ 06:24.360 --> 06:31.680 他の隠れ層のニューロン､ つまり他の緑色のニューロンから信号を得るニューロンを持つこともあります｡ 06:31.680 --> 06:33.240 そして､ そのコンセプトはまったく同じになるのです｡ 06:33.300 --> 06:37.170 ただ､ 今回はわかりやすくするために､ このような例で描いています｡ 06:37.380 --> 06:48.010 そして､ 入力層についてですが､ 人間の脳に例えると､ 入力層は感覚ですよね？ 06:48.030 --> 06:52.200 だから､ ここに見えるもの､ 感じられるもの､ 触れられるもの､ 匂いを嗅げるものなら何でもいいんです｡ 06:52.200 --> 06:55.770 もちろん､ 目に見えるものもたくさんあるような気がしますし｡ 06:55.770 --> 06:57.510 いろいろな情報が入ってきます｡ 06:57.510 --> 07:00.060 でも､ それはあなたの脳が限界に達していることなんです｡ 07:00.090 --> 07:05.940 骨でできた箱の中に住んでいるようなものです｡ 07:05.940 --> 07:12.270 脳がブラックボックスに閉じ込められていて､ 見えない､ 07:12.270 --> 07:17.280 聞こえない､ 電気信号だけが耳､ 鼻､ 目､ 触覚､ 07:17.280 --> 07:28.260 味覚といった器官から送られてくるというのは､ 考えただけでも驚くべき概念ですよね？ 07:28.260 --> 07:35.970 つまり､ 信号を受け取るだけで､ 基本的にはこの暗いブラックボックスに住んでいて､ あなたの感覚を通して世界を理解するのです｡ 07:35.970 --> 07:37.440 それは......驚異的です｡ 07:38.280 --> 07:38.910 そうそう｡ 07:38.910 --> 07:42.960 人間の脳には､ このようなインプットが入ってくるわけですね｡ 07:42.960 --> 07:43.950 それが五感です｡ 07:43.950 --> 07:50.520 そして､ 機械学習やディープラーニングで言えば､ 基本的には入力値ですね｡ 07:50.520 --> 07:52.740 では､ 独立変数ですが､ これは後で説明します｡ 07:52.740 --> 08:02.760 入力された信号はシナプスを介して神経細胞に伝えられ､ 神経細胞は出力値を持ち､ さらにその出力値は連鎖的に伝達されます｡ 08:03.300 --> 08:06.930 この場合､ 色分けで言うと､ やはり黄色が入力層を意味します｡ 08:06.930 --> 08:08.520 そのため､ ここではすべてを簡略化しています｡ 08:08.520 --> 08:13.140 入力層のようなものしかなく､ 次に緑色の隠れ層が1つあり､ これが隠れ層で､ 08:13.140 --> 08:16.830 すぐに出力層ができると言っているのです｡ 08:17.370 --> 08:20.280 だから､ とりあえずこの色に慣れるように｡ 08:21.330 --> 08:22.080 そうそう､ そうなんです｡ 08:22.080 --> 08:23.940 それが基本的な構造です｡ 08:23.940 --> 08:28.320 それでは､ これらの要素についてもう少し詳しく見ていきましょう｡ 08:28.320 --> 08:29.520 つまり､ 入力層ができたわけです｡ 08:29.730 --> 08:31.020 そして､ ここにあるのは何でしょう？ 08:31.020 --> 08:35.370 さて､ これらの入力は､ 実際には独立変数です｡ 08:35.370 --> 08:38.070 では､ 独立変数1は､ 独立変数に利用可能なのでしょうか？ 08:38.510 --> 08:44.670 ここで重要なことは､ これらの独立変数は､ すべて1つの観測に対するものであるということです｡ 08:44.670 --> 08:47.550 つまり､ データベースの中の1行と同じだと考えてください｡ 08:47.550 --> 08:51.360 1つの観測では､ 独立変数をすべて取り出します｡ 08:52.110 --> 08:54.690 年齢的なこともあるかもしれません｡ 08:54.690 --> 08:57.480 銀行口座の金額なんです｡ 08:57.720 --> 08:58.590 そして､ どのように？ 08:58.590 --> 09:00.690 車や徒歩でどうやって通勤しているのか？ 09:00.690 --> 09:02.790 どのような交通手段を使っているのでしょうか？ 09:02.790 --> 09:08.370 しかし､ これはすべて､ モデルを学習させるか､ 何らかの予測を行う､ 09:08.370 --> 09:11.520 ある特定の人物の記述子なのです｡ 09:12.330 --> 09:16.260 そしてもうひとつ､ これらの変数について知っておかなければならないのは､ 標準化することです｡ 09:16.260 --> 09:21.270 そこで､ 標準化する必要があります｡ つまり､ 平均がゼロで分散が1になるようにするのです｡ 09:21.270 --> 09:27.930 また､ 時には､ これらの状況をもう少し詳しく指摘されることもありますし､ 学んだこともあります｡ 09:27.930 --> 09:32.880 おそらく実践的なチュートリアルでは､ 標準化ではなく､ 正規化したい場合があります｡ 09:32.880 --> 09:38.520 つまり､ 平均値をゼロ､ 分散を1にするのではなく､ 単に値を取り､ 最小値を引き､ 09:38.520 --> 09:49.200 最大値から最小値を引いた値を値の範囲で割ると､ ゼロと1の間の値が得られるということです｡ 09:49.200 --> 09:52.350 そして､ それはシナリオによります｡ 09:52.350 --> 09:58.950 しかし､ 基本的には､ すべての変数がほぼ同じになるようにしたいのです｡ 09:59.650 --> 10:00.610 値の範囲｡ 10:00.610 --> 10:01.690 その理由は？ 10:01.690 --> 10:02.080 それはなぜでしょうか？ 10:02.110 --> 10:06.670 さて､ これらの値はすべてニューラルネットワークに入り､ 先ほど見たように､ 加算され､ 10:06.670 --> 10:10.280 重みが掛けられ､ 加算され､ といった具合になります｡ 10:10.280 --> 10:16.780 そして､ ニューラルネットワークにとって､ 同じようなものであれば､ より簡単に処理できるようになるのです｡ 10:16.930 --> 10:23.500 そして､ 実際に､ それこそちゃんと使えるようになるんです｡ 10:24.040 --> 10:29.020 また､ 標準化､ 正規化､ その他入力変数でできることについてもっと読みたい場合は､ 10:29.020 --> 10:37.960 1998年にYan LeCunが書いたEfficient Back Propという論文が良い副読本になります｡ 10:38.410 --> 10:39.370 あそこのリンクは｡ 10:39.370 --> 10:50.320 ヤン・リクンは､ ディープラーニングの分野で活躍する驚異的な人物ですが､ 実は､ このコースの中で畳み込みニューラルネットワークについて話している部分で詳しく紹介する予定です｡ 10:50.320 --> 10:55.080 そして､ この人が間違いなく自分の言っていることを理解している人だということがわかるはずです｡ 10:55.090 --> 11:00.760 彼はジェフリー・ヒントンと親しい友人で､ そのことはすでに述べたとおりです｡ 11:00.760 --> 11:06.730 この論文では､ 標準化と正規化について詳しく学びますが､ その他にもさまざまなヒントを得ることができ､ 11:06.730 --> 11:12.070 このコースを進める上で追加の読み物の良い情報源となるでしょう｡ 11:12.070 --> 11:15.100 そうそう､ 興味のある方は､ ぜひ読んでみてください｡ 11:16.180 --> 11:16.870 これでよしとしよう｡ 11:16.870 --> 11:19.960 そのために必要なのが､ 変数なんですね｡ 11:20.050 --> 11:23.050 そして､ ここには出力値があります｡ 11:23.050 --> 11:24.870 では､ 出力値はどうすればいいのでしょうか｡ 11:24.880 --> 11:26.200 まあ､ 選択肢はいくつかあるんですけどね｡ 11:26.200 --> 11:31.240 出力値は､ 例えば価格のような連続的なものもあれば､ バイナリもある｡ 11:31.240 --> 11:35.950 例えば､ ある人が退出するか留まるか､ あるいはカテゴリー変数にすることができます｡ 11:35.950 --> 11:41.440 そして､ もしそれがカテゴリカルな変数であれば､ ここで覚えておくべき重要なことは､ その場合､ 出力値は1つだけにはならない､ 11:41.440 --> 11:43.810 ということです｡ 11:43.810 --> 11:50.500 これは､ カテゴリを表すダミー変数になるため､ いくつかの出力値になります｡ 11:51.220 --> 11:53.110 そして､ それはただ､ ただ､ そういうことなのです｡ 11:53.110 --> 12:01.570 そして､ ただ覚えておいてほしいのは､ その場合､ 人工ニューラルネットワークからどのようにカテゴリーを取り出すかということです｡ 12:02.560 --> 12:10.060 しかし､ 1つの出力値という単純なケースに戻り､ 今度はもう1点､ あるいは今までの指摘のようなものを考えてみましょう｡ 12:10.060 --> 12:17.470 この点をもう一度確認しておきたいのですが､ 左側のデータセットには1つの観測値があり､ 1行になっています｡ 12:17.470 --> 12:19.630 そして右側には､ 同じく1つの観測データがありますね｡ 12:19.630 --> 12:21.880 そしてそれは､ 同じように観察することができます｡ 12:21.880 --> 12:29.920 重要なのは､ 入力されたものが1行分であり､ 出力されるものがその1行分であることです｡ 12:29.920 --> 12:36.190 また､ ニューラルネットワークを学習させる場合､ その1行の入力を入れて､ その1行の出力を入れています｡ 12:36.190 --> 12:43.900 つまり､ 複雑さを単純化するならば､ 単純な線形回帰や多変量線形回帰のようなものだと考えてください｡ 12:43.900 --> 12:47.790 価値観を入れることで､ アウトプットがあるわけですね｡ 12:48.300 --> 12:52.720 これは､ 回帰のような話になると､ 慣れてしまっているので､ 何の疑問もないようなものです｡ 12:52.720 --> 12:54.910 こちらも同じで､ それほど複雑なものではありません｡ 12:54.910 --> 12:56.680 値を入れるだけで､ 出力が得られるのです｡ 12:56.680 --> 13:01.240 ただ､ 毎回1つの行を処理することを忘れないでください｡ そうすれば､ 13:01.240 --> 13:09.040 混乱して､ 人工ニューラルネットワークなどに別の役割を持たせるようなことを考えないで済みます｡ 13:09.040 --> 13:11.170 これはすべてその1行の中の値だけです｡ 13:11.170 --> 13:17.650 だから､ 毎回異なる観察､ その観察に関連する異なる特性や属性がある｡ 13:19.060 --> 13:19.320 なるほど｡ 13:19.330 --> 13:24.940 次に､ シナプスと副鼻腔についてお話します｡ 13:24.940 --> 13:27.940 私たちには副鼻腔がありますが､ 実はすべてに重さが割り当てられているんです｡ 13:28.360 --> 13:28.840 重さです｡ 13:28.840 --> 13:31.660 ウェイトについては､ この先で詳しく説明する予定です｡ 13:31.660 --> 13:41.530 しかし､ 要するに､ 人工ニューラルネットワークが機能するためには､ 重みが重要なのである｡ 重みは､ ニューラルネットワークの学習方法だからである｡ 13:41.530 --> 13:49.060 重みを調整することで､ ニューラルネットワークは､ あるニューロンにとって､ どの信号が重要で､ どの信号が重要でないか､ 13:49.060 --> 13:53.290 どの信号が伝わって､ どの信号が伝わらないか､ どの程度の強さで信号が伝わっているかを､ 13:53.290 --> 13:57.520 逐一決定しているのです｡ 13:57.520 --> 13:59.230 だから､ ウエイトが重要なんです｡ 13:59.230 --> 14:01.240 そうであり､ そうである｡ 14:01.240 --> 14:03.520 学ぶ過程で調整されていくもの｡ 14:03.520 --> 14:10.780 人工ニューラルネットワークを学習させるとき､ 基本的にはこのニューラルネットワーク全体のサインアップの重みをすべて調整するようなものです｡ 14:10.780 --> 14:16.600 そこで登場するのが､ 勾配降下法と逆伝播法です｡ 14:16.600 --> 14:18.700 そして､ それらは私たちが議論する概念でもあります｡ 14:19.450 --> 14:21.220 だから､ 基本的にはそれらがウェイトになります｡ 14:21.220 --> 14:22.780 今のところ､ これだけです｡ 14:22.870 --> 14:24.520 そして､ ここに神経細胞があります｡ 14:24.520 --> 14:28.210 信号が神経細胞に入り､ 神経細胞で何が起こるかということですね｡ 14:28.210 --> 14:30.460 だから､ ここが面白いところなんです｡ 14:30.460 --> 14:33.610 今日は神経細胞の話をしていますが､ 神経細胞の中で何が起こっているのか｡ 14:33.610 --> 14:36.310 だから､ まずいくつかのことが起こる｡ 14:36.310 --> 14:41.260 そして､ 最初のステップは､ 取得した値をすべて足し算することです｡ 14:41.260 --> 14:43.450 だから､ アディショナルがかかるんです｡ 14:43.720 --> 14:49.740 つまり､ すべての入力値の加重和は､ 非常にシンプルになってきていますね｡ 14:49.780 --> 14:51.130 とても､ わかりやすいですね｡ 14:51.130 --> 14:56.950 重みを掛けて足し算するだけで､ 活性化関数を適用してくれるんです｡ 14:56.950 --> 14:59.110 さて､ ここからは活性化関数について詳しく説明します｡ 14:59.370 --> 15:04.710 さらにその下ですが､ 基本的にはこのニューロンまたはこの層全体に割り当てられる関数で､ 15:05.100 --> 15:09.330 この重み付き和に適用されます｡ 15:09.330 --> 15:17.100 そして､ そこからニューロンは信号を伝える必要があるかどうかを理解します｡ 例えば､ 重み付き和に適用される関数が伝えるのは､ 15:17.100 --> 15:22.170 その信号のようなものです｡ 15:22.170 --> 15:27.210 しかし､ 基本的には機能によって､ 神経細胞は信号を伝えるか､ 信号を伝えないかのどちらかになります｡ 15:27.690 --> 15:34.380 そして､ ステップ3では､ まさにこのようなことが起こりました｡ ニューロンは､ そのシグナルを次のニューロンに渡します｡ 15:34.440 --> 15:39.870 これは､ 非常に重要なトピックなので､ 次のチュートリアルでお話しします｡ 15:39.870 --> 15:46.590 活性化関数についてはもっと深く掘り下げたいのですが､ 今は入力値､ 重み､ サイナス､ ニューロンで起こること､ 15:46.590 --> 15:55.620 加重和､ そして活性化関数が適用され､ それがラインに渡され､ それがニューラルネットワーク全体で延々と繰り返されることが､ 15:55.620 --> 16:01.560 すべてはっきりすればいいと思っています｡ 16:02.670 --> 16:09.150 何千回､ 何十万回と､ 神経ネットワークの大きさ､ ニューロンの数､ シナプスの数によって変わってきます｡ 16:09.270 --> 16:10.010 そうそう､ そうなんです｡ 16:10.020 --> 16:12.000 今日のチュートリアルを楽しんでいただければ幸いです｡ 16:12.030 --> 16:13.170 次回が待ち遠しいです｡ 16:13.170 --> 16:15.150 そして､ それまではディープラーニングを楽しんでください｡