　2分半程度の時間で正答率約 91％に達しました。　左側の結果からはやは判定が難しそうな文字の判定で間違い（青）が有ることがわかります。

４．　まとめ

　ニューラルネットワークの学習プログラムを機能別クラスに分けて作成。　学習の高速化には誤差逆伝搬法を使用すると大変高い効果を得ることが出来ます。　誤差逆伝搬法の処理をレーヤ層のクラスで実行させることで、導関数や差分法を混在して利用することも出来ます。これによって、導関数が不明または複雑なレーヤ関数の場合でも、差分偏微分法で設定すればよいことになります。

５．参考文献　／　参考リンク　

[※]　　このブログは教本として、『ゼロから作るDeep Learning Pythonで学ぶディープラーニングの理論と実装』 [ 斎藤康毅 ] 【出版社: オライリージャパン　発売日： 2016/9/24　】　（ISBN-10:4873117585　ISBN-13:978-4873117584）　を使っています。
[※]　　pythonの教本として何かまとまった1冊を持っているといいです。　ネットで調べれば細かい所や、実例を沢山見ることができますが、導入として「何を」調べたいのかを知るにはまとまった教本が必要です。最近は『独学プログラマー Python言語の基本から仕事のやり方まで [ コーリー・アルソフ ]　』を参考にしています。

６．あとがき　

　　前の記事から大変長い時間が空いてしまいました。逆伝搬法の処理プログラムは割と早い段階で一度は完成したんですが、原稿化の為に見直しをしていると、次から次へと改善点が出てきてしまいました。　改善のアイデアも実装してみると冗長だったり、ほかの計算との相性が悪かったりしてやり直しばかりでした。　しかし、誤差逆伝搬法の効果は絶大ですので、この方法を考えた方、素晴らしい、としか言いようがありません。

　　　　　　　　　　　　　＊🐭＊🐍＊🐭＊🐍＊🐭＊🐍＊🐭＊🐍＊🐭＊

2023.06