신경망 모델: 간략한 소개, 용어집 및 역전파
게시 됨: 2020-05-22신경망이 어떻게 작동하는지 이해하려는 소프트웨어 엔지니어링 애호가라면 제대로 찾아오셨습니다.
이 가이드에서는 초보자가 신경망의 의미를 배우고 신경망 모델이 무엇인지 소개하며 새로운 분야로 지식을 확장할 수 있도록 도와줍니다.
목차
신경망이란 무엇입니까?
계산 용어에 들어가기 전에 우리 일상 생활에서 신경망의 존재를 이해합시다.
"신경"이라는 용어는 단일 신경 세포에 사용되는 용어 "뉴런"에서 유래합니다. 맞습니다. 신경망은 본질적으로 우리의 일상 생활에서 단순하고 행동을 수행하는 뉴런의 네트워크를 의미합니다.
패턴 인식, 물체 감지 및 지능은 우리가 매일 직면하는 문제의 주요 측면입니다. 너무 쉽게 수행되어 우리가 인식조차 하지 못하는 반면, 이러한 반응을 자동화하기가 어려운 것은 사실입니다.
예시:

- 사과가 어떻게 생겼는지 외우는 아이들
- 어미나 주인을 알아보는 동물
- 뜨거운지 차가운지 감지하기
우리의 신경망은 이러한 복잡한 계산을 수행합니다.
인간은 이제 우리의 신경계와 유사한 방식으로 수행할 수 있는 계산 시스템을 구축할 수 있게 되었습니다. 이를 인공 신경망(ANN)이라고 합니다.
초기에는 간단한 기능을 수행하기 위해 ANN을 사용했지만, 계산 능력의 증가로 이제는 점점 더 복잡해지는 문제를 해결하기 위해 다소 강력한 신경망 아키텍처를 구축할 수 있게 되었습니다.
다음 섹션에서 ANN에 대해 자세히 알아보겠습니다.
읽기: 초보자를 위한 TensorFlow 객체 감지 튜토리얼
인공 신경망 모델이란 무엇입니까?
입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 다층 완전 연결 신경망을 인공 신경망 또는 ANN이라고 합니다.
아래 이미지는 ANN을 나타냅니다.
원천
주의 깊게 보면 한 레이어의 각 노드가 그 옆 레이어의 모든 노드에 연결되어 있음을 알 수 있습니다.
은닉층의 수가 늘어날수록 네트워크는 깊어집니다.
출력 또는 은닉층의 개별 노드가 어떻게 생겼는지 봅시다.
원천
보시다시피 노드는 많은 입력을 받습니다. 모든 가중치를 합산하고 비선형 활성화 함수를 통해 출력으로 전달합니다.
이 노드의 출력은 다음 레이어에 있는 노드의 입력이 됩니다.
여기서 주목해야 할 중요한 점은 신호가 항상 왼쪽에서 오른쪽으로 이동한다는 것입니다. 모든 노드가 절차를 따르면 최종 출력이 제공됩니다.
노드의 방정식은 다음과 같습니다.
원천
위의 방정식에서 b는 바이어스입니다. 모든 노드에 대한 입력이며 항상 값 1을 전달합니다.
Bias는 활성화 함수 결과를 왼쪽 또는 오른쪽으로 이동하는 데 도움이 됩니다.
인공신경망 모델 용어집
인공 신경망 모델에 관해서 알아야 할 기본 용어를 살펴보겠습니다.
입력
소스에서 신경망으로 처음 공급되는 데이터를 입력이라고 합니다. 그 목표는 네트워크 데이터에 입력된 정보에 대한 결정이나 예측을 수행할 수 있도록 하는 것입니다. 신경망 모델은 일반적으로 입력의 실제 값 집합을 받아들이고 입력 계층의 뉴런에 입력해야 합니다.

훈련 세트
올바른 출력을 이미 알고 있는 입력을 훈련 세트라고 합니다. 이것들은 신경망이 훈련되고 주어진 입력 세트에 대한 결과를 기억하도록 돕는 데 사용됩니다.
출력
모든 신경망은 입력된 데이터에 대한 예측 또는 결정으로 출력을 생성합니다. 이 출력은 실제 값 집합 또는 부울 결정 형태입니다. 출력 레이어의 뉴런 중 하나만 출력 값을 생성합니다.
뉴런
퍼셉트론이라고도 하는 뉴런은 신경망의 기본 단위입니다. 입력 값을 수락하고 이를 기반으로 출력을 생성합니다.
앞에서 논의한 바와 같이 모든 뉴런은 입력의 일부를 수신하고 비선형 활성화 함수를 통해 다음 계층의 노드로 전달합니다. 이러한 활성화 함수는 TanH, sigmoid 또는 ReLu일 수 있습니다. 이러한 함수의 비선형 기능은 네트워크를 훈련하는 데 도움이 됩니다.
무게 공간
모든 뉴런에는 숫자 가중치가 있습니다. 다른 음표에 입력을 전달할 때 해당 가중치를 다른 음과 합산하여 출력을 생성합니다. 이러한 가중치를 약간만 변경하면 신경망이 훈련되는 방식이 됩니다. 가중치를 미세 조정하면 최상의 결과를 생성하는 올바른 가중치 및 편향 세트를 결정하는 데 도움이 됩니다. 이것이 역전파가 들어오는 곳입니다.

신경망 모델에서 역전파란 무엇입니까?
전체 네트워크의 손실을 최소화하기 위해 가중치에 대한 작은 변경 사항을 성공적으로 찾는 방법 중 하나는 역전파입니다.
- 처음에는 활성화가 위쪽 또는 피드포워드 방향으로 전파됩니다.
- 이제 비용 함수 파생 상품은 아래쪽 또는 역방향으로 전파되어야 합니다.
이런 식으로 각 가중치에 대한 부분 비용 파생 상품을 결정할 수 있습니다. 그런 다음 조정을 통해 감소될 비용을 계산할 수 있습니다.
결론
많은 소프트웨어 엔지니어는 가장 비용 효율적인 솔루션을 찾기 위해 여러 번의 반복 작업이 필요하다는 점을 감안할 때 신경망 모델이 다소 비효율적이라고 생각하기 때문에 신경망 모델을 권장하지 않습니다.
그러나 Hinton의 캡슐 네트워크, 캡슐 신경망과 같은 수많은 새로운 알고리즘은 정확한 모델에 도달하기 위해 훨씬 적은 수의 조정 인스턴스가 필요합니다. 따라서 신경 네트워킹은 미래에 많은 범위를 갖게 됩니다.
기계 학습에 대해 자세히 알아보려면 IIIT-B 및 upGrad의 기계 학습 및 AI PG 디플로마를 확인하세요. 이 PG 디플로마는 일하는 전문가를 위해 설계되었으며 450시간 이상의 엄격한 교육, 30개 이상의 사례 연구 및 과제, IIIT- B 동문 자격, 5개 이상의 실용적인 실습 캡스톤 프로젝트 및 최고의 기업과의 취업 지원.
인공 지능을 위해 수학을 공부해야 하는 이유는 무엇입니까?
우리 중 많은 사람들이 생각하는 것과 달리 인공 지능은 수학에 크게 의존합니다. 기계가 인간과 유사하게 생각하고 행동하도록 가르치는 전체 개념은 몇 가지 예를 들면 확률 및 통계와 같은 수학의 다른 분야에 속하는 개념을 기반으로 합니다. 데이터 과학은 또한 미적분학, 선형 대수학, 게임 이론에서 고급 회귀, 분류, 통계, 확률, 경사하강법 등에 이르기까지 다양한 수학적 개념과 관련된 토대를 제공합니다. 수학의 강력한 기초는 AI 개념에 대한 효과적인 이해를 개발하는 데 필수적이며, 이는 이 분야에서 성공적인 경력을 쌓는 데 도움이 됩니다.
신경망은 기계 학습의 알고리즘입니까?
인공 신경망 또는 간단히 신경망은 인간의 두뇌를 닮도록 설계되고 고급 패턴 인식을 위해 생성된 일련의 기계 학습 알고리즘으로 정의할 수 있습니다. 신경망은 축적된 모든 데이터가 변환되는 벡터 내의 수치 패턴을 식별하도록 설계되었습니다. 구조화되지 않았거나 부정확한 데이터 내에서 패턴을 감지함으로써 신경망은 데이터 저장 및 관리 개선을 위해 클러스터를 분류하고 형성하는 데 도움이 됩니다. 신경망에 제공되는 감각 데이터는 입력 데이터에 레이블을 지정하거나 클러스터링하는 기계 인식을 통해 해석됩니다.
신경망에서 역전파가 필요한 이유는 무엇입니까?
인공 신경망 영역에서 역전파 방법은 실제로 오류의 역전파를 의미합니다. 이것은 인공 신경망을 훈련하는 데 사용되는 표준화된 기술이며 반복됩니다. 역전파는 인공 신경망의 가중치를 미세 조정하고 오류를 최소화하며 시스템을 보다 정확하고 안정적으로 만드는 데 사용됩니다. 이 방법은 빠르게 작동하며 간단하게 프로그래밍할 수도 있습니다. 이것은 유연한 기술입니다. 신경망에 대한 사전 지식이 필요하지 않습니다. 여기에는 추가 매개변수가 포함되지 않고 시스템에 공급되는 숫자만 조정됩니다.