Python으로 기본 퍼셉트론 신경망 학습시키기: 단계별 가이드

Python으로 기본 퍼셉트론 신경망 학습시키기

이 가이드는 단일층 퍼셉트론 가중치를 자동 학습하는 완전 주석 달린 Python 구현을 안내합니다. 코드는 복사-붙여넣기, 실행, 자체 데이터 적용 가능.

AAC 퍼셉트론 시리즈 탐색

더 깊은 맥락이나 고급 주제 진입 위해 나머지 글 확인:

1. 신경망으로 분류 수행: 퍼셉트론이란?
2. 단순 퍼셉트론 예제로 데이터 분류하기
3. 기본 퍼셉트론 신경망 학습시키기
4. 단순 신경망 학습 이해
5. 신경망 학습 이론 입문
6. 신경망의 학습률 이해
7. 다층 퍼셉트론으로 고급 머신러닝
8. 시그모이드 활성화 함수: 다층 퍼셉트론에서의 활성화
9. 다층 퍼셉트론 신경망 학습시키기
10. 다층 퍼셉트론의 학습 공식과 역전파 이해
11. Python 구현을 위한 신경망 아키텍처
12. Python으로 다층 퍼셉트론 신경망 만들기
13. 신경망을 이용한 신호 처리: 신경망 설계에서의 검증
14. 신경망용 학습 데이터셋: Python 신경망 학습 및 검증

단일층 퍼셉트론 분류

3D 공간 고전 이진 분류 문제로 시작. 네트워크 아키텍처: 3 입력 노드, 단일 은닉층, 유닛스텝 활성화 함수 쓰는 1 출력 노드.

출력 노드 다음 유닛스텝 함수 적용:

\[f(x)=\begin{cases}0 & x < 0\\1 & x \ge 0\end{cases}\]

학습 시연 위해 아키텍처 확장해 단순 학습 루프로 가중치 자동 조정:

Python 구현

다음 스크립트: 엑셀 파일서 학습 데이터 읽고, 가중치 랜덤 초기화, 퍼셉트론 학습 규칙으로 반복 업데이트.

 import pandas
import numpy as np
# 입력 공간 차원 (x, y, z)
input_dim = 3
# 학습률: 가중치 조정 크기 제어
learning_rate = 0.01
# 랜덤 초기 가중치; 재현성 원하면 고정값 설정
Weights = np.random.rand(input_dim)
# Weights = np.array([0.5, 0.5, 0.5])
# 데이터셋 로드: 각 특성 컬럼과 'output' 컬럼 가진 시트
Training_Data = pandas.read_excel("3D_data.xlsx")
# 예상 출력을 특성 행렬에서 분리
Expected_Output = Training_Data.output
Training_Data = Training_Data.drop(["output"], axis=1)
# 벡터 연산 위해 NumPy 배열 변환
Training_Data = np.asarray(Training_Data)
training_count = len(Training_Data[:, 0])
# 여러 에포크 학습
for epoch in range(5):
  for datum in range(training_count):
    # 입력 가중합
    Output_Sum = np.sum(np.multiply(Training_Data[datum, :], Weights))
    # 유닛스텝 활성화 적용
    Output_Value = 0 if Output_Sum < 0 else 1
    # 예상과 실제 출력 간 오차
    error = Expected_Output[datum] - Output_Value
    # 학습 규칙 따라 각 가중치 업데이트
    for n in range(input_dim):
      Weights[n] += learning_rate * error * Training_Data[datum, n]
print(f"w_0 = {Weights[0]:.3f}")
print(f"w_1 = {Weights[1]:.3f}")
print(f"w_2 = {Weights[2]:.3f}")

핵심 개념 설명

네트워크 구성과 데이터 정리

네트워크 3 입력 노드로 3D 좌표 매칭. 학습률 0.01 표준 시작점; 실험 후 조정 가능. 가중치 대칭 깨기 위해 랜덤 시드, 결정론적 동작 원하면 고정값 설정.

학습 데이터 엑셀 파일서 읽고 입력/예상 출력 분리, NumPy 배열 변환해 효율적 계산.

출력값 계산

각 에포크 모든 학습 샘플 반복. 각 샘플마다 입력 가중합 계산. 유닛스텝 함수로 합 이진 출력 매핑: 합 음수면 0, 아니면 1.

가중치 업데이트

예측 출력이 예상 출력과 다를 때 퍼셉트론 학습 규칙 각 가중치 입력값, 오차, 학습률 비례 조정:

\[w_{new} = w + (\alpha \times \delta \times input)\]

여기서 \(\delta = \text{output}_{expected} - \text{output}_{calculated}\), \(\alpha\)는 학습률.

결론

단일층 퍼셉트론 Python 완전 주석 구현 확인. 코드는 다양한 데이터셋, 학습률, 향후 다중 출력 확장 실험 기초로 탄탄.