퍼셉트론과 신경망

퍼셉트론은 신경망의 기본 구성요소입니다.
신경망(Neural Net)의 기본 구조를 보면 보통 아래와 같이 그립니다.

이 중 파란색으로 동그라미 친 부분, 신경망의 구성요소를 퍼셉트론이라고 합니다.

다른 말로는 Dense(밀집) 혹은 노드(Node) 라고도 부릅니다.

퍼셉트론의 구성요소

위 그림의 신경망에서 하나의 퍼셉트론을 확대해서 보면,

그림과 같이 퍼셉트론은 입력(inputs), 가중치(Connection Weight), 바이어스(bias), 합 연산(Sum), 활성 함수(Activation Function)로 구성되어 있습니다.
오느날 인공신경망에서 이용하는 퍼셉트론은 선형 분류기로 이는 입력과 가중치들의 곱을 모두 더한 뒤 활성 함수를 적용해서 그 값이 0보다 크면 1, 0보다 작으면 -1을 출력하는 구조이다.

  • 그래서 입력을 넣고 입력에 대한 결과를 출력하였을때 원하는 값이 나오도록 가중치를 조절한다.
    학습이라는게 결국 그 가중치값을 가장 많은 입력에 대해 가장 근접한 가중치를 찾는 과정이라고 볼 수 있다.

신경망으로 풀 수 있는 문제들

활성화 함수, 네트워크 구조 변경을 통해 문제를 풀 수 있습니다.
대표적인 문제로는 분류(Classification)와 회귀(Regression)로 나눌 수 있습니다.

분류(Classification)

실생활에서 AI가 적용되는 많은 분야는 분류문제를 해결한 것이 많습니다.
그 예로는 개와 고양이를 분류하는 문제 또는 물체를 Detection 하였을 때, 어떤 물체인 지 분류하는 문제 등
실생활에서 많은 부분에 사용되고 있습니다.

위 사진과 같이 분류해야 하는 class의 갯수 만큼 Output layer의 퍼셉트론 개수가 정해지게 된다.

회귀(Regression)

분류를 제외한 다른 문제는 회귀(Regression)문제에 해당합니다.
공부한 시간(x)을 가지고 합격확률(y)를 예측하거나, 키(x)를 가지고 몸무게(y)를 예측하는 등 분류하는 것이 아니라 확률 또는 값과 같은 숫자를 맞추는 문제라고 생각하면 됩니다.

위와 같은 간단한 예시에서는 보통 Output layer의 퍼셉트론 개수를 하나로 두는 경우가 많습니다.
이런 문제에 대해서 마지막 퍼셉트론의 활성화 함수를 정할 때, 활성함수를 문제에 맞게끔 설정해야 합니다.
0~1 사이의 확률을 가리키는 문제에서는 시그모이어함수, 다채로운 값을 가질 수 있을땐 ReLU 등
활성함수에 대해서는 다음 포스팅에서 다루겠습니다.