퍼셉트론과 신경망

퍼셉트론과 신경망

• 신경망의 기본 구조
  

퍼셉트론 구성요소

• 입력(Inputs), 가중치(Connection Weight), 바이어스(Bias), 합 연산(Sum), 활성 함수(Activation Function)으로 구성
• 활성화 함수를 단순화 하여 입력이 0보다 작으면 0출력 입력이 0보다 크면 1을 출력하는 계단 함수라 가정
  
• 하나의 퍼셉트론에서 이루어지는 연산은 "입력의 가중합" -> "활성화 함수 적용" 두 단계

하나의 퍼셉트론으로 가능한 연산과 의미

• 아래와 같이 가중치가 고정되었다 하면
  

• AND연산이 가능
  

• AND, OR,NOT 3가지 연산이 가능하며 이는 기본연산을 할 수 있다는 의미
  (퍼셉트론 여러개를 연결하면 이론적으로는 기존 컴퓨터에서 소화하는 모든연산(함수)를 재현할 수 있다를 뜻함)

• 이런 퍼셉트론을 층단위로 배치고 나열하여 만들어진 아키텍처들을 신경망(Neural Network) 혹은 모델이라고 한다.
  

신경망으로 해결 가능한 문제들

• 퍼셉트론 덩어리에 활성화 함수, 네트워크 구조 변경을 통해서 문제를 잘 해결 할 수 있다 대표적으로 Classification(분류), Regression(회귀)가 있다

Classification(분류)

• 클래스를 예상하는 문제에 활용
  (Image Classification, Image Segmentation)
• 일반적으로 Classification에서는 보통 데이터를 구성하는 클래스 개수와 동일하게 Output레이어의 퍼셉트론의 개수 정함
  

Regression(회귀)

• 숫자를 맞추는 문제라고 생각하면 된다.
• 얼굴 사진으로 나이 예측, 구매 물건으로 계산금액 예측
• 간단한 문제의 경우 마지막 레이어에 한개의 퍼셉트론으로 두고 0과1을 출력하는 활성화 함수가 아니라 넓은 숫자범위를 가지는 활성화 함수로 변경하여 적용 가능
  

출처: https://wikidocs.net/152764