딥 러닝 네트워크 소개
딥 러닝 네트워크는 비정형 데이터를 사용하여 문제를 해결하기 위해 인간의 두뇌를 모방하는 데 사용되는 수학적 모델이며 이러한 수학적 모델은 뉴런으로 구성된 신경망의 형태로 생성됩니다.
신경망은 입력층(신경망의 첫 번째 계층), 은닉층(신경망의 모든 중간 계층), 출력층(신경망의 마지막 계층)의 세 가지 주요 계층으로 나뉩니다. 이러한 유형의 데이터를 기반으로 우리는 피드포워드 신경망, CNN, RNN, 모듈식 신경망 등으로 분류되는 이러한 신경망을 다룰 것입니다.
딥 러닝 네트워크 작업
일반적으로 네트워크의 작동을 살펴보겠습니다.
딥 러닝 네트워크 작업
숫자의 이미지를 예측하는 데 도움이 되는 위의 신경망을 고려하십시오.
28 x 28 픽셀인 숫자 '9'의 이미지가 있습니다.
28×28 = 784픽셀인 모든 픽셀이 입력 레이어에 공급됩니다.
이러한 모든 뉴런에는 활성화 함수라는 값이 있으므로 해당 숫자가 충족되면 특정 뉴런이 실행되고 값은 다음 계층인 은닉층으로 전달됩니다.
두 개의 은닉층에 대해 동일한 절차를 따릅니다.
은닉층의 작업이 완료된 후 제어는 출력층으로 이동합니다. 입력층에서 출력층으로 가는 이 제어 흐름을 순전파라고 합니다.
출력 레이어에서 출력이 생성되면 숫자 '9'의 실제 출력과 일치하게 되며 예측된 출력과 실제 출력 간의 편차가 손실 함수로 알려진 계산 됩니다.
손실이 계산되면 동일한 정보가 숨겨진 레이어를 통해 출력 레이어에서 입력 레이어로 다시 전달됩니다. 이 현상을 역전파(backpropagation)라고 합니다.
그런 다음 입력이 그에 따라 조정되고 네트워크가 훈련됩니다.
딥 러닝 네트워크의 유형
이제 사용할 수 있는 다양한 유형의 딥 러닝 네트워크가 무엇인지 살펴보겠습니다.
피드포워드 신경망
이러한 유형의 신경망은 흐름 제어가 입력 계층에서 발생하고 출력 계층으로 이동하는 매우 기본적인 신경망입니다.
이러한 종류의 네트워크에는 단일 계층 또는 1개의 은닉 계층만 있습니다.
데이터가 한 방향으로만 이동하기 때문에 이 네트워크에는 역전파 기술이 없습니다.
이 네트워크에서 입력에 존재하는 가중치의 합은 입력 레이어에 입력됩니다.
이러한 종류의 네트워크는 컴퓨터 비전을 사용하는 얼굴 인식 알고리즘에 사용됩니다.
방사형 기저 기능 신경망
이러한 종류의 신경망은 일반적으로 1개 이상의 레이어, 바람직하게는 2개의 레이어를 가지고 있습니다.
이러한 종류의 네트워크에서는 임의의 점에서 중심까지의 상대 거리를 계산하고 동일한 값을 다음 레이어로 전달합니다.
방사형 기반 네트워크는 일반적으로 정전을 피하기 위해 최단 시간에 전력을 복구하기 위해 전력 복구 시스템에 사용됩니다.
다층 퍼셉트론
이 유형의 네트워크에는 3개 이상의 레이어가 있으며 선형이 아닌 데이터를 분류하는 데 사용됩니다.
이러한 종류의 네트워크는 모든 노드와 완전히 연결되어 있습니다.
이러한 네트워크는 음성 인식 및 기타 기계 학습 기술에 광범위하게 사용됩니다.
컨볼루션 신경망(CNN)
CNN은 다층 퍼셉트론의 변형 중 하나입니다.
CNN은 1개 이상의 컨볼루션 레이어를 포함할 수 있으며 컨볼루션 레이어를 포함하기 때문에 네트워크는 더 적은 매개변수로 매우 깊습니다.
CNN은 이미지 인식 및 다양한 이미지 패턴 식별에 매우 효과적입니다.
순환 신경망
RNN은 특정 뉴런의 출력이 동일한 노드에 대한 입력으로 피드백되는 일종의 신경망입니다.
이 방법은 네트워크가 출력을 예측하는 데 도움이 됩니다.
이러한 종류의 네트워크는 챗봇 개발에 매우 유용한 작은 메모리 상태를 유지하는 데 유용합니다.
이러한 종류의 네트워크는 챗봇 개발 및 텍스트 음성 변환 기술에 사용됩니다.
모듈식 신경망
이러한 종류의 네트워크는 단일 네트워크가 아니라 여러 개의 작은 신경망이 결합된 것입니다.
모든 하위 네트워크는 큰 신경망을 만들고 모든 하위 네트워크는 공통 목표를 달성하기 위해 독립적으로 작동합니다.
이러한 네트워크는 크고 작은 문제를 작은 조각으로 나눈 다음 해결하는 데 매우 유용합니다.
시퀀스 모델에 대한 시퀀스
이러한 유형의 네트워크는 일반적으로 두 개의 RNN 네트워크의 조합입니다.
네트워크는 인코딩 및 디코딩에 대해 작동합니다. 즉, 입력을 처리하는 데 사용되는 인코더와 출력을 처리하는 디코더로 구성됩니다.
일반적으로 이러한 종류의 네트워크는 입력된 텍스트의 길이가 출력되는 텍스트와 같지 않은 텍스트 처리에 사용됩니다.
결론
딥 러닝 네트워크에서 우리는 딥 러닝의 의미와 현재 시장에서 사용되는 다양한 딥 러닝 네트워크가 무엇인지 살펴보았습니다. 우리는 또한 이러한 모든 네트워크의 작동과 해당 네트워크의 응용 프로그램의 복잡성을 보았습니다.
댓글