신경망이란 무엇입니까?

인공 신경망(ANN)이란 무엇입니까?

AI의 가장 큰 발전은 다음과 같습니다. 인공 신경망에 의해 구동. 인공 신경망(ANN)은 인간의 두뇌에서 발견되는 신경망에서 영감을 받은 형식으로 결합된 수학적 기능의 연결입니다. 이러한 ANN은 데이터에서 복잡한 패턴을 추출하고, 이러한 패턴을 보이지 않는 데이터에 적용하여 데이터를 분류/인식할 수 있습니다. 이런 식으로 기계는 "학습"합니다. 이는 신경망에 대한 간략한 요약이지만, 신경망이 무엇인지, 어떻게 작동하는지 더 잘 이해하기 위해 신경망을 자세히 살펴보겠습니다.

다층 퍼셉트론 설명

더 복잡한 신경망을 살펴보기 전에 간단한 버전의 ANN을 살펴보겠습니다. 다층 퍼셉트론(MLP).

공장의 조립 라인을 상상해 보십시오. 이 조립 라인에서 한 작업자가 품목을 받아 약간 조정한 다음 동일한 작업을 수행하는 라인의 다음 작업자에게 전달합니다. 이 프로세스는 라인의 마지막 작업자가 항목을 마무리하고 공장에서 꺼낼 벨트에 놓을 때까지 계속됩니다. 이 비유에서 조립 라인에는 여러 "레이어"가 있으며 제품은 작업자에서 작업자로 이동할 때 레이어 사이를 이동합니다. 조립 라인에는 진입점과 종료점이 있습니다.

Multi-Layer Perceptron은 입력 레이어, 숨겨진 레이어, 출력 레이어 총 XNUMX개의 레이어로 구성된 매우 단순한 생산 라인으로 생각할 수 있습니다. 입력 레이어는 데이터가 MLP에 공급되는 곳이며 숨겨진 레이어에서 일부 "작업자"가 데이터를 처리하여 제품을 외부 세계에 제공하는 출력 레이어로 전달합니다. MLP의 경우 이러한 작업자를 "뉴런"(또는 때로는 노드)이라고 하며 데이터를 처리할 때 일련의 수학 함수를 통해 데이터를 조작합니다.

네트워크 내에는 "노드와 노드를 연결하는 구조가 있습니다.무게". 가중치는 네트워크를 통해 이동할 때 데이터 포인트가 어떻게 관련되어 있는지에 대한 가정입니다. 다시 말해서 가중치는 한 뉴런이 다른 뉴런에 미치는 영향의 수준을 반영합니다. 가중치는 데이터를 변환하는 일종의 수학 함수인 현재 노드를 떠날 때 "활성화 함수"를 통과합니다. 선형 데이터를 비선형 표현으로 변환하여 네트워크가 복잡한 패턴을 분석할 수 있도록 합니다.

"인공 신경망"이 암시하는 인간 두뇌에 대한 비유는 인간 두뇌를 구성하는 뉴런이 ANN의 노드가 연결되는 방식과 유사한 방식으로 함께 결합된다는 사실에서 비롯됩니다.

다층 퍼셉트론은 1940년대부터 존재했지만 특히 유용하지 못한 여러 가지 제한이 있었습니다. 그러나 지난 수십 년 동안 “역 전파"는 네트워크가 뉴런의 가중치를 조정하여 훨씬 더 효과적으로 학습할 수 있도록 만들어졌습니다. 역전파는 신경망의 가중치를 변경하여 네트워크가 데이터 내의 실제 패턴을 더 잘 포착할 수 있도록 합니다.

깊은 신경망

심층 신경망은 MLP의 기본 형태를 취하고 모델 중간에 더 많은 숨겨진 계층을 추가하여 더 크게 만듭니다. 따라서 입력 레이어, 은닉 레이어, 출력 레이어가 있는 대신 중간에 많은 은닉 레이어가 있고 데이터가 완전히 생성될 때까지 하나의 은닉 레이어의 출력이 다음 은닉 레이어의 입력이 됩니다. 네트워크를 통해 반환되었습니다.

심층 신경망의 여러 숨겨진 레이어는 기존의 다층 퍼셉트론보다 더 복잡한 패턴을 해석할 수 있습니다. 심층 신경망의 서로 다른 계층은 데이터의 서로 다른 부분의 패턴을 학습합니다. 예를 들어, 입력 데이터가 이미지로 구성된 경우 네트워크의 첫 번째 부분은 픽셀의 밝기 또는 어둠을 해석할 수 있으며, 이후 레이어는 이미지에서 개체를 인식하는 데 사용할 수 있는 모양과 가장자리를 선택합니다.

다양한 유형의 신경망

다양한 유형의 신경망이 있으며 다양한 신경망 유형 각각에는 고유한 장점과 단점(따라서 고유한 사용 사례)이 있습니다. 위에서 설명한 심층 신경망 유형은 가장 일반적인 유형의 신경망이며 종종 피드포워드 신경망이라고도 합니다.

신경망의 변형 중 하나는 RNN(Recurrent Neural Network)입니다. 순환 신경망의 경우 루프 메커니즘은 이전 분석 상태의 정보를 유지하는 데 사용됩니다. 즉, 순서가 중요한 데이터를 해석할 수 있습니다. RNN은 순차적/연대순 데이터에서 패턴을 도출하는 데 유용합니다. 순환 신경망은 단방향이거나 양방향일 수 있습니다. 양방향 신경망의 경우 네트워크는 시퀀스의 이전 부분뿐만 아니라 시퀀스의 뒷부분에서도 정보를 가져올 수 있습니다. 양방향 RNN은 더 많은 정보를 고려하므로 데이터에서 올바른 패턴을 더 잘 도출할 수 있습니다.

컨볼루셔널 신경망(Convolutional Neural Network)은 이미지 내에서 발견된 패턴을 해석하는 데 능숙한 특수한 유형의 신경망입니다. CNN은 이미지의 픽셀에 필터를 전달하고 이미지 내의 픽셀을 수치로 표현한 다음 패턴을 분석하는 방식으로 작동합니다. CNN은 이미지에서 픽셀을 끌어내는 컨볼루션 레이어가 먼저 오고, 그 다음 조밀하게 연결된 피드포워드 레이어(실제로 객체를 인식하는 방법을 학습하는 레이어)가 그 뒤에 오도록 구조화되어 있습니다.