[AI数理]徹底的に交差エントロピー(5)

[AI数理]徹底的に交差エントロピー(5)

おはようございます!(株) Qualiteg 研究部です。

今回は、前回から拡張して データN件対応版の多値分類用 交差エントロピー を実際のデータをみながら導いていきたいとおもいます!

6章 多値分類用 交差エントロピー (データN件対応版)

実際の学習では、いちどに複数件の訓練データを入力して得られた複数の結果をまとめて評価するバッチ学習を行うため、複数の訓練データから得られた結果を同時に計算できるバージョンの交差エントロピーも考えておきます。

以下のような複数の訓練データの場合を考えます。

複数の訓練データなので、1件ずつの訓練データを見分けられるように番号をふった データ番号 列を導入しました。みやすくするため正解のデータに背景色をつけています。

この4件のデータを順番にモデルに入れたときの出力を計算すると以下のようになりました。予測値 列を右に追加しています。

さて、この4件の交差エントロピーを求めてみます。

これらのデータから1つずつ交差エントロピーを計算して、その値を合計すれば、4件ぶんの交差エントロピーの合計値を求めることができるので、特に難しいことはなく、1件ずつの交差エントロピーを計算して合計したいとおもいます。

まずは愚直に計算してみます。

1件目のデータの交差エントロピーを計算

1件目のデータの交差エントロピー は以下のようになります。ここで データ番号がわかるように、交差エントロピー \(E\) は \(E_{1}\) としました。

$$
\begin{aligned}
\ E_{1} = &- \sum_{k=1}^{K} t_{k} \log y_{k} &\
&= - ( t_{1} \log y_{1} + t_{2} \log y_{2} + t_{3} \log y_{3}) & \
&= - ( 1 \cdot \log 0.33 + 0 \cdot \log 0.32 + 0 \cdot \log 0.35) \
&= \log 0.33 = -0.481486 \
\
&K:分類の数, t_{k}:正解ラベル, y_{k}:モデルが計算した予測値&
\end{aligned}
$$

2件目のデータの交差エントロピーを計算

同様に、 \(E_{2}\) を計算すると、

$$
\begin{aligned}
\ E_{2} = &- \sum_{k=1}^{K} t_{k} \log y_{k} &\
&= - ( t_{1} \log y_{1} + t_{2} \log y_{2} + t_{3} \log y_{3}) & \
&= - ( 0 \cdot \log 0.30 + 1 \cdot \log 0.36 + 0 \cdot \log 0.34) \
&= \log 0.36 = -0.443697 \
\end{aligned}
$$

3件目のデータの交差エントロピーを計算

同様に、 \(E_{3}\) を計算すると、

$$
\begin{aligned}
\ E_{3} = &- \sum_{k=1}^{K} t_{k} \log y_{k} &\
&= - ( t_{1} \log y_{1} + t_{2} \log y_{2} + t_{3} \log y_{3}) & \
&= - ( 0 \cdot \log 0.37 + 0 \cdot \log 0.31 + 1 \cdot \log 0.32) \
&= \log 0.32 = -0.494850 \
\end{aligned}
$$

4件目のデータの交差エントロピーを計算

同様に、 \(E_{2}\) を計算すると、

$$
\begin{aligned}
\ E_{4} = &- \sum_{k=1}^{K} t_{k} \log y_{k} &\
&= - ( t_{1} \log y_{1} + t_{2} \log y_{2} + t_{3} \log y_{3}) & \
&= - ( 0 \cdot \log 0.34 + 1 \cdot \log 0.33 + 0 \cdot \log 0.33) \
&= \log 0.34 = -0.46852 \
\end{aligned}
$$

具体的な値を入れてみましょう。さきほどのデータ番号 \(i=1\) のデータでみてみましょう。

$$
\begin{aligned}
\boldsymbol{E_{1}} = &- \boldsymbol{t} \cdot \log (\boldsymbol{y})& \
=& -
\begin{pmatrix}
t_{1} \ t_{2} \ t_{3}
\end{pmatrix}
\log
\begin{pmatrix}
y_{1} \ y_{2} \ y_{3}
\end{pmatrix}
&
\\
=& -
\begin{pmatrix}
1 \ 0 \ 0
\end{pmatrix}
\log
\begin{pmatrix}
0.33 \ 0.32 \ 0.35
\end{pmatrix}
&
\\
=& -
\begin{pmatrix}
\log(0.33) \ 0 \ 0
\end{pmatrix}
&
\\
=&
\begin{pmatrix}
-0.481486 \ 0 \ 0
\end{pmatrix}
&
\end{aligned}
$$

さて、1件ずつ計算した4件ぶんの交差エントロピー \(E_{1}\)、\(E_{2}\)、\(E_{3}\)、\(E_{4}\) を合計したものが、4件ぶんの合計交差エントロピーとなります。これを \(E_{sum}\) とすると、

$$
E_{sum} = E_{1} + E_{2} +E_{3} +E_{4}
$$

これを \(\sum\) で表現すると、データ番号を \(i\) として

$$
E_{sum} = \sum_{i=1}^4 E_{i}
$$

となります。

今はデータ件数が 4件でしたが、これを \(N\) 件と一般化すると、

$$
E_{sum} = \sum_{i=1}^N E_{i} \tag{6.1} 
$$

となりますね。

ところで、もともと \(t_{k}\) や \(y_{k}\) は、分類番号を添え字につけており、今回だと「イヌ」「キツネ」「オオカミ」の3つに分類をしたかったので、 \(k={1},k=2,k=3\) としていました。
これは1件ぶんのデータ用としてはこれでよかったのですが、いまは 4件のデータがあるので、 \(t_{k}\) と \(t_{k}\) を一意に特定できるようにするため、データ番号 \(i\) を添え字として追加します。

具体的には以下のように \(t_{k}\) → \(t_{ik}\) 、 \(y_{k}\) → \(y_{ik}\) のように拡張しました。

これで、

  • \(t_{ik}\) は 訓練データの \(i\) 番目のデータの \(k\) 番目の要素
  • \(y_{ik}\) は 訓練データの \(i\) 番目のデータを入力したときのモデルの出力(予測値)の \(k\) 番目の要素

という意味となります。

よって \(i\) 番目のデータの 交差エントロピーは 式 \((5.2)\) に 添え字 \(i\) のを追加した以下のようになります。

$$
E_{i} = - \sum_{k=1}^{K} t_{ik} \log y_{ik} \tag{6.2}
$$

\(式(6.1)\) より

$$
\begin{aligned}
E_{sum} =& \sum_{i=1}^N E_{i} &\
\end{aligned}
$$

なので、データ N 件分を合計した交差エントロピーの合計は以下のようになります。

$$
\begin{aligned}
E_{sum} = & - \sum_{i=1}^N \sum_{k=1}^{K} t_{ik} \log y_{ik} &\
\end{aligned}
$$

上式は \(N\) 件分の合計値ですが、件数が異なっても比較できるように N で割って交差エントロピー \(E_{i}\) の平均をとり、 バッチ版つまり複数データ対応バージョンの交差エントロピー関数 \(E\) は以下のように定義されます。

$$
E = - \frac{1}{N} \sum_{i=1}^N \sum_{k=1}^{K} t_{ik} \log y_{ik} \tag{6.3}
$$

$$
\begin{aligned}
\
& N:データ件数& \
&i:データ番号& \
&K:分類の数& \
&k:分類番号& \
&t_{ik}: i 番目のデータの k 番目の正解ラベル(教師データ)& \
&y_{ik}:i 番目の入力データの出力のうち k 番目 予測値& \
\end{aligned}
$$

ようやく、冒頭に紹介した多値分類用の交差エントロピー関数が定義できました。これを英語では Categorical Cross Entropy と呼びます

今回はいかがでしたでしょうか

無事、データN件対応版の多値分類用 交差エントロピー を導くことができました。
次回は、 二値分類用の交差エントロピーを導いていきたいと思います。


参考文献
https://blog.qualiteg.com/books/


navigation

Read more

AIがよく間違える「クロージャ問題」の本質と対策

AIがよく間違える「クロージャ問題」の本質と対策

こんにちは! 本日は「クロージャ問題」に関する話題となります。 Pythonでループ内に関数を定義したことはありますか? もしあるなら、あれれ?な挙動に遭遇したことがあるかもしれません。 本稿では、Pythonプログラマーなら一度は経験する「クロージャ問題」について、初心者にもわかりやすく解説してみたいとおもいます クロージャとは何か? そもそも ”クロージャ” とは何でしょうか。 クロージャ(closure)とは、関数が自分の定義されたスコープの変数を覚えて持ち運ぶ仕組み のことです。 もう少し分解すると、次の2つがポイントとなります 1. 内側の関数が、外側の関数の変数を使える 2. 外側の関数が終了しても、その変数は生き続ける 普通の関数とクロージャ―を使った関数を比較してみましょう 普通の関数との比較 まずは普通の関数から、 def add(x, y): return x + y print(add(3, 5)) # 8 print(add(3, 7)

By Qualiteg プロダクト開発部
フリーランスHub様にQualiteg Blogをご紹介いただきました

フリーランスHub様にQualiteg Blogをご紹介いただきました

この度、フリーランス向け案件検索サービス「フリーランスHub」様の特集記事「トレンドをキャッチアップ!AIに関する情報が得られるメディア・ブログまとめ」にて、弊社が運営する「Qualiteg Blog」をご紹介いただきました。 掲載記事について フリーランスHub様の記事では、AI技術の最前線で活躍するエンジニアや開発者の方々に向けて、価値ある情報源となるメディア・ブログが厳選して紹介されています。 その中で、Qualiteg Blogを「AI技術の専門知識を実践的なビジネス活用につなげる貴重な情報源」として取り上げていただきました。 特に以下の点を評価いただいております * 実践的なビジネス活用事例の提供 AI新規事業創出や事業選定方法など、経営者やビジネスリーダーが直面する課題への具体的な解決策 * 技術的な深掘りコンテンツ リップシンク技術など、実際のサービスで使用されている技術の開発現場目線での詳細な解説 * 多様な情報発信 代表執筆記事、AIトピックス、講演会動画など、幅広いフォーマットでの情報提供 今後も価値ある情報発

By Qualiteg ニュース
PyTorchの重いCUDA処理を非同期化したらメモリリークした話と、その解決策

PyTorchの重いCUDA処理を非同期化したらメモリリークした話と、その解決策

こんにちは!Qualitegプロダクト開発部です! 今回は同期メソッドを非同期メソッド(async)化しただけなのに、思わぬメモリリーク※に見舞われたお話です。 深層学習モデルを使った動画処理システムを開発していた時のことです。 「処理の進捗をリアルタイムでWebSocketで通知したい」という要件があり、「単にasync/awaitを使えばいいだけでしょ?」と軽く考えていたら、思わぬ落とし穴にはまりました。 プロ仕様のGPUを使っていたにも関わらず、メモリ不足でクラッシュしてしまいました。 この記事では、その原因と解決策、そして学んだ教訓を詳しく共有したいと思います。同じような問題に直面している方の参考になれば幸いです。 ※ 厳密には「メモリリーク」ではなく「メモリの解放遅延」ですが、 実用上の影響は同じなので、この記事では便宜上「メモリリーク」と表現します。 背景:なぜ進捗通知は非同期である必要があるのか モダンなWebアプリケーションの要求 最近のWebアプリケーション開発では、ユーザー体験を向上させるため、長時間かかる処理の進捗をリアルタイムで表示することが

By Qualiteg プロダクト開発部
ゼロトラスト時代のLLMセキュリティ完全ガイド:ガーディアンエージェントへの進化を見据えて

ゼロトラスト時代のLLMセキュリティ完全ガイド:ガーディアンエージェントへの進化を見据えて

こんにちは! 今日はセキュリティの新たな考え方「ゼロトラスト」とLLMを中心としたAIセキュリティについて解説いたします! はじめに 3つのパラダイムシフトが同時に起きている いま、企業のIT環境では3つの大きな変革が起ころうとしています。 1つ目は「境界防御からゼロトラストへ」というセキュリティモデルの転換。 2つ目は「LLMの爆発的普及」による新たなリスクの出現。 そして3つ目は「AIエージェント時代の到来」とそれに伴う「ガーディアンエージェント」という新概念の登場です。 これらは別々の出来事のように見えて、実は密接に関連しています。本記事では、この3つの変革がどのように結びつき、企業がどのような対策を取るべきかを解説いたします 目次 1. はじめに:3つのパラダイムシフトが同時に起きている 2. 第1の変革:ゼロトラストという新しいセキュリティ思想 3. 第2の変革:LLM時代の到来とその影響 4. 第3の変革:AIエージェントとガーディアンエージェント 5. 3つの変革を統合する:実践的なアプローチ 6. 実装のベストプラクティス 7. 日本

By Qualiteg コンサルティング