딥러닝 (27) 썸네일형 리스트형 신경망 (2) ■ ML의 문제 해결 과정은 학습과 추론 단계로 나뉜다. 학습 단계에서는 말 그대로 train set으로 모델에 대한 학습을 진행하고, 추론 단계에서는 최종 선택한 학습한 모델로 unseen data에 대해 추론, 즉 분류 문제이면 분류, 회귀 문제이면 회귀를 수행한다. ■ 신경망도 ML과 마찬가지로 이 두 단계를 거쳐 문제를 해결해 나간다. 차이점은 신경망에선 train set으로 매개변수를 학습하고, 추론 단계에서 학습한 매개변수를 사용해 입력 데이터를 예측한다. ■ 이번에는 케라스의 MNIST 데이터셋을 이용하여 추론 단계의 과정만 진행해 본다.■ 먼저 다음과 같이 keras에서 MNIST 데이터셋을 불러온다.import tensorflow as tfmnist = tf.keras.datasets... 신경망(1) 1. 신경망 개요■ 퍼셉트론의 장점은 XOR같은 다소 복잡한 함수도 퍼셉트론으로 표현할 수 있지만, 가중치 설정을 사람이 수동으로 설정해야 한다는 단점이 있다.■ 이 단점은 신경망이 해결할 수 있다. 신경망의 중요한 성질로서 가중치 매개변수의 적절한 값을 자동으로 학습하는 능력이 있기 때문이다. 1.1 신경망의 구조■ 신경망은 입력층, 은닉층, 출력층으로 구성되어 있으며, 입·출력층과 달리 은닉층의 뉴런은 사람 눈에는 보이지 않는다. 이를 그림으로 나타내면 다음과 같다.- 위의 그림을 보면 각 층의 뉴런이 연결되는 방식은 퍼셉트론과 달라진 점이 없다. 그리고 신경망에서 신호를 전달하는 방법도 기본적인 개념은 유사하지만, 주된 차이점이 있다. 그 차이점은 활성화 함수이다.■ 앞서 입력 신호 (\( x_1,.. 퍼셉트론 - 신경망(딥러닝)의 기원이 되는 알고리즘 1. 퍼셉트론1.1 퍼셉트론이란?■ 퍼셉트론은 다수의 신호를 받아 하나의 신호를 출력하는 것이다.- 여기서 신호는 '흐른다/안 흐른다 (1 이나 0)'의 두 가지 값을 가질 수 있다.$x_{1}, x_{2}$는 입력 신호, y는 출력 신호, w는 가중치, 원은 뉴런 또는 노드라고 함■ 퍼셉트론 동작 원리는 입력 신호($x_{1}, x_{2}$)가 출력 신호가 있는 노드(뉴런)으로 이동할 때, 입력 신호 $x_{1}, x_{2}$에 각각 가중치 $w_{1}, w_{2}$가 곱해진다. - 입력 신호가 있는 노드에서 이동한 신호의 총합 $w_1x_1 + w_2x_2$이 임계값(θ)을 넘으면 1을 출력하고, 그렇지 않으면 0을 출력한다.- 이때 출력 노드로 이동하는 신호의 총합은 선형(일차).. 이전 1 2 3 4 다음
