신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란 무엇입니까?

이 기사는 잘 알려진 신경망 토폴로지의 기본 이론과 구조를 탐구합니다.

이것은 신경망의 설계, 훈련 및 평가에 대한 긴 소개 역할을 할 일련의 기사 중 첫 번째 기사입니다. 목표는 다층 퍼셉트론으로 알려진 신경망 아키텍처를 구현하는 파이썬 컴퓨터 프로그램을 사용하여 복잡한 분류를 수행하는 것입니다.

귀하의 편의를 위해 여기에서 나머지 Perceptron 시리즈를 찾을 수 있습니다.

<올>

신경망을 사용하여 분류를 수행하는 방법:퍼셉트론이란?

간단한 퍼셉트론 신경망을 사용하여 데이터를 분류하는 방법

기본 퍼셉트론 신경망 훈련 방법

단순 신경망 훈련 이해

신경망 훈련 이론 소개

신경망의 학습률 이해

다층 퍼셉트론을 사용한 고급 기계 학습

시그모이드 활성화 함수:다층 퍼셉트론 신경망에서의 활성화

다층 퍼셉트론 신경망 훈련 방법

다층 퍼셉트론에 대한 훈련 공식 및 역전파 이해

Python 구현을 위한 신경망 아키텍처

Python에서 다층 퍼셉트론 신경망을 만드는 방법

신경망을 사용한 신호 처리:신경망 설계 검증

신경망용 데이터 세트 훈련:Python 신경망 훈련 및 검증 방법

신경망이란 무엇입니까?

신경망은 인간 두뇌의 구조에 느슨하게 기반을 둔 신호 처리 도구입니다. 일반적으로 인공 지능(AI)과 관련이 있습니다. 저는 "인공 지능"이라는 용어가 정확하지 않고 환원적이기 때문에 좋아하지 않습니다. "지능"을 수치 계산을 빠르게 수행하는 능력으로 정의한다면 중립 네트워크는 확실히 AI입니다. 하지만 제 생각에 지능은 그 이상입니다. 바로 디자인하는 것입니다. 수치 계산을 빠르게 수행한 다음 이에 대한 기사를 작성한 다음 '지능'이라는 단어의 의미를 생각하고 인간이 신경망을 만들고 이에 대한 기사를 쓰는 이유를 궁금해하는 시스템입니다.

게다가 인공지능은 인공지능이 아니다. 매우 현실적입니다. 지능은 그것을 설계한 인간의 지능에 따라 작동하는 수학적 시스템이기 때문입니다.

신경망은 기존 데이터에서 "학습"하고 복잡한 신호 처리 문제를 효율적으로 해결할 수 있는 소프트웨어 루틴입니다. 그것들은 연구하고 실험하는 것이 흥미롭고 어떤 경우에는 "정상" 알고리즘의 기능을 훨씬 능가합니다. 그러나 그들은 세계의 기아를 없애지 못하고, 좋은 시를 쓰지도 못하고, 술에 취하지 않고 문자도 쓰지 않는 인간만큼 안전하게 자동차를 운전할 수 있을지 의문입니다.

퍼셉트론이란 무엇입니까?

기본 Perceptron 신경망은 개념적으로 간단합니다. 가중 연결로 결합된 2개의 입력 노드와 1개의 출력 노드로만 구성될 수 있습니다.

입력 데이터의 차원은 입력 레이어의 차원과 일치해야 합니다. 대부분의 사람들은 3차원 이상의 무언가를 시각화할 수 없기 때문에 "차원성"이라는 용어는 여기서 약간 혼란스러울 수 있습니다. 이 모든 것은 입력 데이터(예:분류하려는 패턴)가 주어진 길이의 벡터이고 입력 레이어에 벡터의 각 요소에 대한 노드가 있어야 한다는 것을 의미합니다. 따라서 일련의 20개 데이터 포인트로 표현되는 패턴을 분류하려는 경우 20개 요소 벡터가 있고 20개 입력 노드가 필요합니다.

출력 노드는 디자이너가 관심을 가질 만한 데이터를 생성합니다. 출력 노드의 수는 애플리케이션에 따라 다릅니다. 예/아니오 분류 결정을 내리려면 수백 개의 입력 노드가 있더라도 하나의 출력 노드만 있으면 됩니다. 반면에 목표가 입력 벡터를 여러 가능한 범주 중 하나에 배치하는 것이라면 여러 출력 노드를 갖게 됩니다.

한 노드에서 다른 노드로 이동하는 데이터에는 가중치가 곱해집니다. 이러한 일반 스칼라 값은 실제로 Perceptron 기능의 핵심입니다. 가중치는 훈련 과정에서 수정되며, 훈련 데이터에 포함된 패턴에 따라 가중치를 자동으로 조정하여 네트워크는 유용한 출력을 생성할 수 있는 능력을 얻습니다.

노드 내부에서는 어떤 일이 발생합니까? (일명 신경망은 어떻게 작동합니까?)

입력 레이어의 노드는 연결 지점일 뿐입니다. 그들은 입력 데이터를 수정하지 않습니다. 출력 레이어와 입력과 출력 사이의 추가 레이어에는 네트워크의 계산 노드가 포함됩니다. 수치 데이터가 계산 노드에 도착하면 먼저 합산되고 "활성화" 기능이 적용됩니다.

활성화의 개념은 활성 또는 비활성인 활동 전위를 통해 통신하는 (생물학적) 뉴런의 행동으로 거슬러 올라갑니다. 아날로그 시스템보다 온/오프 디지털 시스템에 가깝습니다. (인공) 신경망의 맥락에서 (인공) 뉴런이라고도 하는 노드는 입력이 임계값보다 크면 1을 출력하고 그렇지 않으면 0을 출력하는 임계값 함수를 적용하여 뉴런 동작을 모방할 수 있습니다.

다음 플롯은 기본 "단위 단계" 활성화 함수의 입력-출력 관계를 나타냅니다.

이 임계값 변환을 노드에서 노드로의 데이터 전파에 삽입함으로써 시스템에 비선형성을 도입하고 이 비선형성이 없으면 신경망의 기능이 매우 제한됩니다. 이론은 복잡하지만 일반적인 아이디어는 선형 변환의 조합이 이러한 선형 변환이 여러 번 발생하더라도 복잡한 자연 현상과 정교한 신호 처리 작업을 특징짓는 관계를 절대 근사할 수 없다는 것입니다.

실제 뉴런이 일종의 켜기/끄기 모델에 따라 작동한다는 사실에도 불구하고 (인공) 신경망 활성화에 대한 임계값 접근 방식은 최적이 아닙니다. 이 주제는 향후 기사에서 다시 다루도록 하겠습니다.

결론

우리는 퍼셉트론의 가장 기본적인 요소를 다루었고 다음 기사에서는 이러한 부분을 모아서 기본적인 시스템이 어떻게 작동하는지 알아볼 것입니다.

신경망은 광범위한 주제이며 이것이 긴 시리즈가 될 수 있음을 공정하게 경고합니다. 하지만 좋은 기회가 될 것이라고 생각합니다.