반응형
딥 뉴럴 네트워크
프로그램 인공 신경은 인풋, 히든, 아웃풋 레이어로 이루어져 있습니다. 퍼셉트론도 역시 유사합니다. 하지만 히든 레이어 부분이 활성화 함수와 선형 함수가 포함되어있습니다. Supervised 학습은 이 input과 output을 입력하여 신경망을 학습시키는 구조입니다. 인풋 값을 히든 레이어에서 처리한 값이 아웃풋과 같아질 수 있도록 학습을 하는 방식입니다.
Regression
해당 학습을 통해 만약 x 값이 입력되면 y 값이 무엇이 될지에 대해 학습을 하고자하는 것이다. 따라서 여러개의 인풋이 들어가면 각각 선형 함수와 활성화 함수를 통해 아웃풋이 나오게 됩니다.
Classification
새로운 점은 어떠한 그룹인지 구별을 하는 것을 의미합니다. 여러 점의 포인트 값을 주고 해당하는 그룹에 맞도록 학습을 시킵니다. 학습한 신경마에게 새로운 포인트를 주고 그룹 확률을 예측합니다.
신경망 함수
선형 함수, 즉 1차 함수는 input 값을 scale up/dwon 합니다. scale이 적용된 모든 값을 더합니다.
활성화 함수는 1차 함수에서 계산한 값을 계산합니다. 결과값으로 전달할 떄 활성화함수를 사용합니다. 다양한 함수를 사용가능합니다.
Feed Forward
현재 들어온 인풋값과 아웃풋 값을 계산하는 과정을 피드포워드라고 합니다. 결국 가중치와 편향치를 찾아가는 과정이 바로 학습을 하는 과정이라 할 수 있습니다.
반응형
'SW > 인공지능' 카테고리의 다른 글
인공지능 : Binary Classification : 개요, 개념, 원리 (0) | 2019.08.18 |
---|---|
인공지능 : 손실 함수, 최적화, 백프로파게이션 : 개념, 개요 (0) | 2019.08.17 |
인공지능 : Batch Normalization : 개념, 원리, 개요 (0) | 2019.08.15 |
인공지능 : ensemble : 개념, 활용 방법, 성능 (0) | 2019.08.14 |
인공지능 : ReLU(Rectified Linear Unit) : 개념, 원리, 개요 (0) | 2019.08.13 |