240523 TIL #406 AI Tech #21 딥러닝

김춘복·2024년 5월 22일

AI TIL

TIL : Today I Learned

목록 보기

406/535

Today I Learned

오늘 배운 내용은 딥러닝!

딥러닝

선형 모델

X : 각각의 데이터 포인트를 모아놓은 행렬
W : 가중치 행렬. X를 다른 데이터 벡터 공간으로 보내주는 역할
b : Y절편에 해당하는 벡터들을 모든 행에 대해 똑같이 복제한 y절편 벡터(각 행들이 같은 값, 열마다는 다름)
선형 모델 행벡터 O = X*W+b
X가 d 차원이지만 출력 벡터 결과 O의 차원은 p로 바뀌게 된다.
분류문제 : 주어진 입력 데이터를 여러 클래스 중 하나로 분류하는 문제
분류문제를 풀거나 복잡한 패턴의 문제를 풀때는 선형모델만 가지고는 좋은 결과를 내기 어렵다.
따라서, 비선형 모델이나 선형, 비선형을 결합한 모델을 활용한다.

Softmax 연산

Softmax 함수 : 모델의 출력을 확률로 해석할 수 있게 변환해주는 연산
주어진 벡터의 각 요소를 0과 1 사이의 값으로 변환하여 전체 합이 1이 되도록 만드는 함수
입력 벡터의 각 요소를 지수 함수로 변환한 후, 모든 요소의 합으로 각 요소를 나누어주는데, 이를 통해 입력 벡터의 각 요소가 클래스에 속할 확률로 해석될 수 있다.

import numpy as np

def softmax(z):
    exp_z = np.exp(z - np.max(z))  # 오버플로우 방지를 위해 입력값 중 최댓값을 빼줍니다.
    softmax_output = exp_z / np.sum(exp_z, axis=0)
    return softmax_output

# 예시 입력 벡터
z = np.array([2.0, 1.0, 0.1])

# 소프트맥스 함수 적용
softmax_output = softmax(z)

# 출력
print("소프트맥스 함수 출력 결과:", softmax_output)
# 소프트맥스 함수 출력 결과: [0.65900114 0.24243297 0.09856589]
print("합계:", np.sum(softmax_output))
# 합계: 1.0

분류문제를 풀 때 선형모델과 소프트맥스 함수를 결합해 예측한다.
학습할때는 softmax가 필요하지만, 추론단계에선 one-hot 벡터로 최대값을 가진 주소만 1로 출력하는 연산을 softmax 대신 사용한다.

신경망(neural network)

선형모델과 활성함수(activation function)을 합성한 함수

활성 함수

신경망에서 각 뉴런의 출력을 결정하는 함수
입력 신호의 총합을 계산한 후 이를 활성화 함수에 적용하여 다음 층으로 전달되는 출력을 생성한다.
활성화 함수는 비선형 함수로, 신경망이 복잡한 비선형 관계를 모델링할 수 있도록 도와준다.
실수값을 입력으로 받아서 실수값을 출력한다.
활성함수를 쓰지 않으면 딥러닝은 선형모델과 차이가 없다.

전통적으로는 시그모이드나 tanh 함수를 많이 썼지만, 딥러닝에서는 ReLU 함수를 많이 쓰고있다.

다층 신경망(MLP)

x를 input으로 선형모델을 적용하면 z(z=xw+b)가 된다. z에다가 활성함수를 적용하면 H(H=σ(z))가 되고, 여기에 다시 선형모델을 적용해 2층 신경망(2-layers)으로 모델을 만들 수 있다.

다층(multi-layer) 퍼셉트론은 이런 신경망이 여러층 합성된 함수를 말한다.
이론적으로는 2층 신경망으로도 임의의 연속함수를 근사할 수 있다.
하지만 층이 깊을수록 목적함수를 근사하는 데 필요한 뉴런(노드)의 숫자가 훨씬 빨리 줄어들어 좀 더 효율적인 학습이 가능하다.
즉, 좀 더 적은 뉴런을 가지고도 복잡한 패턴을 표현할 수 있기 때문에 여러 층의 신경망을 구성한다.