functions 関数 
    identity 
    step 

 構成・方式など
 タスク
 導入
 Sample

 用語
  sampleなどはCentOS7で実施
$ python3 xxxx.py

 functions  #!/usr/bin/env python3  # functions  import numpy as np  def sigmoid(x):   return 1 / (1 + np.exp(-x))  def softmax(x):   if x.ndim == 2:   x = x.T   x = x - np.max(x, axis=0)   y = np.exp(x) / np.sum(np.exp(x), axis=0)   return y.T   x = x - np.max(x) # オーバーフロー対策   return np.exp(x) / np.sum(np.exp(x))  def numerical_gradient(f, x):   h = 1e-4   grad = np.zeros_like(x)   it = np.nditer(x, flags=['multi_index'])   while not it.finished:   idx = it.multi_index   tmp_val = x[idx] # 値を保存   x[idx] = tmp_val + h   fxh1 = f()   x[idx] = tmp_val - h   fxh2 = f()   grad[idx] = (fxh1 - fxh2) / (2 * h)   x[idx] = tmp_val # 値を戻す   it.iternext()   return grad  def cross_entropy_error(y, t):   if y.ndim == 1:   t = t.reshape(1, t.size)   y = y.reshape(1, y.size)   # 教師データがone-hot-vectorの場合、正解ラベルのインデックスに変換   if t.size == y.size:   t = t.argmax(axis=1)   batch_size = y.shape[0]   return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size  def sigmoid_grad(x): # 誤差逆伝播法で使用   return (1.0 - sigmoid(x)) * sigmoid(x)  def identity_function(x):   return x  def step_function(x):   return np.array(x > 0, dtype=np.int)  def relu(x):   return np.maximum(0, x)  def relu_grad(x):   grad = np.zeros(x)   grad[x>=0] = 1   return grad  def sum_squared_error(y, t):   return 0.5 * np.sum((y-t)**2)  def softmax_loss(X, t):   y = softmax(X)   return cross_entropy_error(y, t)