이 기사는 데이터 과학 Blogathon.

개요

신경망이 작동하는 방식을 배우는 데 관심이 있는 소프트웨어 개발자라면 완벽한 위치에 도달한 것입니다. 우리는 초보자가 신경망이 무엇인지, 신경망 모델이 무엇인지, 이 튜토리얼에서 주제의 다른 영역으로 지식을 확장하는 방법을 이해하도록 도울 것입니다.

컴퓨팅 전문 용어를 사용하기 전에 일상 생활에서 신경망의 역할을 이해하는 것이 중요합니다.

"신경"이라는 용어는 단일 신경 세포를 나타내는 "뉴런"이라는 용어에서 파생됩니다. 맞습니다. 신경망은 단순히 일상 생활에서 일상적인 작업을 수행하는 뉴런의 집합입니다.

패턴 인식, 물체 식별 및 지능은 모두 우리가 일상적으로 직면하는 어려움을 해결하는 데 중요한 역할을 합니다. 이러한 반사는 우리가 인지하지 못할 정도로 쉽게 실행되지만 실제로는 자동화하기가 어렵습니다.

• 사과 모양을 외우는 아이들

• 어미나 주인을 알아보는 동물

• 물체의 온도 감지

이러한 복잡한 계산은 우리의 신경망에 의해 수행됩니다.

인간은 이제 우리의 신경계와 유사한 방식으로 수행할 수 있는 컴퓨팅 시스템을 개발했습니다. 이를 인공 신경망(ANN)이라고 합니다.

간단한 작업을 처리하기 위해 처음에는 ANN을 사용했지만 컴퓨팅 성능이 향상되면서 보다 복잡한 문제를 해결할 수 있는 다소 강력한 신경망 아키텍처를 개발할 수 있었습니다.

다음 파트에서는 ​​ANN에 대해 더 자세히 살펴보겠습니다.

인공 신경망(ANN)은 입력 레이어, 은닉 레이어 및 출력 레이어로 구성된 다층의 완전히 연결된 신경망입니다.

ANN은 아래 그림에서 볼 수 있습니다.

자세히 살펴보면 레이어의 각 노드가 그 위아래 레이어의 모든 노드에 연결되어 있음을 알 수 있습니다.

숨겨진 레벨의 수가 증가함에 따라 네트워크는 더 깊어집니다.

출력 또는 은폐 계층에서 개별 노드의 모양을 고려하십시오.

보시다시피 노드는 많은 수의 입력을 받습니다. 모든 가중치를 더하고 비선형 활성화 함수를 통해 합계를 출력합니다.

이 노드의 출력은 다음 계층에서 노드의 입력이 됩니다.

신호는 항상 왼쪽에서 오른쪽으로 이동한다는 점을 염두에 두는 것이 중요합니다. 모든 노드가 프로토콜을 따랐을 때 최종 결과가 제공됩니다.

이것이 노드의 방정식이 나타나는 방식입니다.

위의 방정식에서 b는 바이어스를 나타냅니다. 모든 노드에 대한 입력으로 사용되며 항상 1로 설정됩니다.

Bias는 활성화 함수 결과가 왼쪽이나 오른쪽으로 이동할 수 있도록 합니다.

인공 신경망에 대해 자세히 알아보기 여기를 클릭해 문의해주세요.

인공 신경망 모델 용어집

인공 신경망 모델과 관련하여 익숙해야 하는 몇 가지 기본 단어를 살펴보겠습니다.

소스에서 처음에 신경망에 제공된 데이터를 입력이라고 합니다. 그 목적은 네트워크가 수신하는 정보에 대해 판단하거나 예측할 수 있도록 네트워크에 데이터를 제공하는 것입니다. 대부분의 경우 신경망 모델은 입력 계층의 뉴런에 제공되어야 하는 실수 값 입력을 받습니다.

트레이닝 세트

훈련 세트는 이미 적절한 출력을 알고 있는 입력입니다. 이들은 주어진 입력 세트에 대한 훈련 및 메모리로 신경망을 지원하는 데 사용됩니다.

수신하는 입력에 따라 각 신경망은 예측 또는 판단을 생성합니다. 이 출력을 나타내기 위해 정수 집합 또는 부울 판단을 사용할 수 있습니다. 출력 레이어의 단일 뉴런은 출력 값 생성을 담당합니다.

퍼셉트론이라고도 하는 뉴런은 신경망의 기본 단위입니다. 입력값을 받아 그 값에 따라 값을 출력합니다.

앞에서 언급했듯이 각 뉴런은 입력의 일부를 가져와 비선형 활성화 함수를 통해 다음 계층의 노드로 전달합니다. TanH, sigmoid 또는 ReLu 활성화 함수가 모두 가능합니다. 이러한 함수의 비선형 특성은 네트워크 훈련에 도움이 됩니다.

무게 공간

각 뉴런에는 고유한 숫자 가중치가 있습니다. 데이터를 다른 노드로 전송할 때 해당 가중치가 다른 노트의 가중치에 추가되어 출력을 형성합니다. 신경망 훈련은 이러한 가중치를 약간 조정하여 수행됩니다. 가중치 미세 조정은 최적의 가중치 및 편향 세트를 결정하는 데 도움이 됩니다. 여기서 역전파(backpropagation)의 개념이 적용됩니다.

역전파는 네트워크 손실을 줄이기 위해 가중치에 필요한 적절한 수정을 효과적으로 결정하는 방법 중 하나입니다.

처음에는 활성화가 위쪽으로 또는 피드포워드 방식으로 전송되어야 합니다.

이제 비용 함수의 도함수는 아래쪽으로 또는 다른 방식으로 전송되어야 합니다.

이 방법을 사용하면 각 가중치에 대한 부분 비용 파생 상품을 계산할 수 있습니다. 그런 다음 수정과 관련된 비용 절감을 계산할 수 있습니다.

오류는 역전파를 통해 인공 신경망에서 역방향으로 전파됩니다. 인공 신경망을 반복적으로 훈련하기 위해 이 방법을 표준화했습니다. 신경망의 가중치는 역전파를 통해 미세 조정되어 오류를 줄이고 시스템의 정확도와 신뢰성을 향상시킵니다. 이 방법을 사용하는 것은 구현하기 쉽습니다. 이 전략을 사용하기 위해 신경망에 대해 아무것도 알 필요가 없습니다. 시스템에서 이미 제공한 수치를 미세 조정하는 것 외에는 아무 것도 수행하지 않으며 추가 구성이 필요하지 않습니다.