[AI] 인공신경망과 인공신경망 구조, 퍼셉트론 기본식, 다층 퍼셉트론(MLP, Multi-Layer Perception)과 딥러닝

3. 인공신경망 + 퍼셉트론 기본식 + 다층 퍼셉트론과 딥러닝

 

 

 

# 인공신경망

: 인간의 뇌 구조에 착안해 만든 학습법으로, 인간의 뇌 구조를 흉내 낸다.

 

- 뇌의 동작 방식을 모델화한 병렬 처리 시스템으로, 단순한 연산을 수행하는 소자들의 분산 처리 및 병렬 구조를 가지고 있다.

 

 

 

 

# 인공신경망의 구조

인공신경망은 뉴런의 동작 방식을 모델링해 구현되었다.

 

 

- 인공신경망에서는 동그란 원이 하나의 뉴런이 되고, 이들이 서로 연결되어 하나의 신경망을 이룬다.

 

입력층 노드에 데이터가 입력되면 오른쪽 방향으로 단계별 연산을 수행해 출력층에서 결과값을 얻는다.

 

 

 

 

# 퍼셉트론 - 기본식

: 인간의 뇌를 구성하는 뉴런, 시냅스의 동작 방식을 모델링한 그림

 

- X 노드는 데이터를 받는 입력층 노드, Y는 출력층 노드이다. 이 두 노드틑 가중치(W, Weight)값으로 연결된다.

- 출력층의 노드는 각각의 입력 값에 가중치를 곱한 값을 합해 최종결과값을 생성한다. (T = 임계치 : 가중합된 결과와 비교해서 출력값 지정)

단 위의 식만으로는 최종 출력 값의 범위를 정할 수 없다.                                -> 최종 출력값을 활성화 함수에 넣어 일정 범위값으로 조절해야 한다.

 

+ 활성화 함수 f를 구할 때는 계단 함수(-1~+1 , 0~+1까지의 값을 출력하도록 구현된 함수)를 사용한다. 해당 노드 입력 값들의 가중합이 임계치를 넘으면 1을, 그 외의 경우는 0이나 -1을 출력

 

 

 

 

# 퍼셉트론 - 학습 방법

- 퍼셉트론 인공신경망을 학습시키는 것 = 인공신경망 각 노드 사이의 가중치 값을 학습하는 것

- 퍼셉트론 학습법에서 초기 가중치는 임의의 값을 가진다. 이후 학습 신호로 주어진 목표치와 퍼셉트론의 실제 출력 차이 등의 오차를 반복 수정하는 과정을 거쳐 값을 얻는다.

 

 

 

 

# 다층 퍼셉트론(MLP, Multi-Layer Perception)과 딥러닝

: 입력층과 출력층 중간에 은닉층을 1층 이상 추가한 것

 

 

- 단층 퍼셉트론에서 다층 퍼셉트론으로의 확장은 층을 많이 쌓을수록 인공신경망의 성능이 향상된다는 사실을 입증하게 되었음. 딥러닝은 이런 다층 구조형태를 취하는 신경망을 기반으로, 다량의 데이터를 고수준의 추상화 모델로 구축하기 위해 연구를 진행 중임.

 

 

 

 

 

 

# 다중 퍼셉트론의 등장 배경

: 퍼셉트론의 입력 값인 선형 분리 함수가 XOR 논리게이트 문제를 해결하지 못하여 그 문제를 해결하기 위해 등장

 

- 퍼셉트론은 단층 하나만으로는 정확한 기능이 불가하고, 선형 분리함수에서 입력값이 2차원일 경우에는 직선, 3차원일 경우에는 평면이 된다. 이는 n차원의 입력값을 분리하는 함수는 n-1차원이 된다는 말인데, 이런 비선형(Non-linear) 분리를 해결하기 위해 다층 퍼셉트론이 등장하게 되었다.