[Deep Learning] 인공신경망( Artificial Neural Networks )과 퍼셉트론( Perceptron )

 

 

 

 

 

Node Map

 

 

 

 

 

신경망 기본 구조 

• 노드 (뉴런) - Node
• 가중치 (엣지, 연결) - Weight
• 입력/ 은닉/ 출력층 - Layer

 

 

 

 

 

퍼셉트론 ( Perceptron )

• 하나의 노드로 이루어진 신경망
• 다수의 입력값을 받아 하나의 출력값 내보냄

 

 

 

 

 

노드 ( Node )

• 값을 입력 받아 일정값이 넘으면 넘겨주는 역할
• 노드맵에서 동그라미 부분 
• 레이어는 n개의 노드(뉴런)으로 구성
• 신체 신경계에서 뉴런의 역할 

 

 

 

 

 

가중치 ( Weight)

• 노드로 입력 받은 값에 곱해지는 수치
• 가중치가 곱해진 값들은 모두 더해져 활성화 함수에 따라 그 결과를 다음 층의 노드로 전달
• 신경망에서 가중치를 찾는 과정을 학습이라고 하며, 가중치는 예측에 사용됨

 

 

 

 

 

신경망 층 ( Layer )

• 입력층 ( Input Layers )
  • 데이터셋으로부터 입력받는 층
  • 입력 변수의 수 = 입력 노드의 수 
  • 계산은 수행하지 않고, 값 전달만 함
  • 신경망 층의 수를 셀 때 입력층은 제외

• 은닉층 ( Hidden Layers )
  • 입력층과 출력층 사이에 있는 층 들
  • 두 개 이상의 은닉층을 가지는 신경망이 딥러닝

• 출력층 ( Output Layers )
  • 신경망의 가장 마지막 층
  • 대부분 출력층에 활성함수 존재 

 

 

 

 

 

활성화 함수 (Activation Functions)

• 다음 층( layer )로 신호를 얼마만큼 전달할지 결정
• 신경망에서 각 노드는 활성화 함수를 가짐
• 각 층에는 같은 활성화 함수를 가짐
• ex) Step function, Sigmoid, ReLU, softmax ...