본문 바로가기

SW/딥러닝

13. 딥러닝 : 레이어 : 선형성과 비선형성 : 의미, 개념

반응형

선형 예시

 

다시 한 번 더 깊이 파고 들어야 할 시점입니다. 이전 섹션 중 하나에서 심층 신경망을 살펴볼 계획입니다. 

간단한 선형 회귀 모델을 훈련하는 방법을 보았습니다. 두 개의 입력과 단일 출력이 있습니다. 이 떄, 배운 선형 모델을 사용했습니다.

이 함수는 L2 뉴런 손실에 따라 몇 백 번의 데이터가 가장 적합합니다. 이제 대부분의 실제 생활에 적용하기 위해서는 선형 레이어를 조합해 더 나은 예측 인공지능이 필요합니다.

 

 

 

복잡한 모델

 

이것은 대부분 선형 모델보다 복잡한 모델로 작업하는 것을 의미합니다. 복잡함은 일반적으로 선형 혼합과 비선형 연산을 의미하며, 이러한 복잡성은 임의의 함수를 표현할 수 있게 합니다. 선형으로 결합된 입력에 출력을 할당한 다음 출력을 생성하는 비선형 변환을 수행하게 되는 것입니다.

 

 

 

선형성과 비선형성의 조합

 

아마도 비선형 성의 예를 보도록 하겠습니다. 위 시그모이드 함수의 식이 있습니다. 위 그림은 선형의 조합과 추가된 비선형성을 갖는 레이어가 하나 이상 있는 신경망의 빌딩 블록을 의미합니다. 이제 딥러닝에 대해 좀 더 깊이 있게 다가가 보도록 하겠습니다. 

반응형