텐서플로우 (TensorFlow)

Deep Learning and Neural Network

 

신경망은 최초의 기계 학습 모델 중 하나였다. 그 인기는 두 번 떨어졌고 이제 세 번째로 증가하고 있다. 딥러닝은 신경망의 사용을 의미한다. 딥러닝의 deep은 많은 숨겨진 계층이 있는 신경망을 의미한다. 신경망은 너무 오랫동안 존재해왔기 때문에 꽤 많은 짐을 가지고 있다. 연구자들은 많은 다른 훈련 알고리즘, 활성화/전달 기능 및 구조를 만들어 왔다.

 

신경망은 입력을 받아들여 출력을 만든다. 신경망에 대한 입력을 특징 벡터 (feature vector)라고 한다. 신경망에 대한 입력은 항상 고정된 길이이다. 이 벡터의 크기를 변경하는 것은 일반적으로 전체 신경망을 다시 만드는 것을 의미한다. 특징 벡터를 "벡터"라고 하지만 항상 그렇지는 않다. 벡터는 1D 배열을 의미한다. 현대의 신경망에서는 다음과 같은 입력 데이터를 볼 수 있다.

 

• 1D 벡터 : 스프레드시트의 행과 유사한 신경망에 대한 고전적인 입력 (예측 모델링에서 일반적인 형태) • 2D 매트릭스 : CNN에 대한 그레이스케일 이미지 입력 • 3D 매트릭스 : CNN에 대한 컬러 이미지 입력 • nD 매트릭스 : CNN에 대한 고차 입력

 

CNN 이전에 프로그램은 이미지를 중간 형태로 인코딩하거나 이미지의 행을 나란히 배치함으로써 이미지 매트릭스를 긴 배열로 분쇄하여 신경망에 입력된 이미지를 전송한다. CNN은 매트릭스가 신경망 레이어를 통과할 때 다르다.

 

신경망에서 차원이라는 용어는 혼동될 수 있다. 1D 입력 벡터의 의미에서 차원은 해당 1D 배열에 얼마나 많은 요소가 있는지를 나타낸다. 예를 들어, 10개의 입력 뉴런이 있는 신경망은 10개의 차원을 가지고 있다. 그러나 CNN에서 입력에는 차원이 있다. 신경망에 대한 입력은 일반적으로 1, 2, 3차원을 가질 것이다. 4개 이상의 차원은 특이하다. 64x64 픽셀이 있는 신경망에 2D 입력이 있을 수 있다. 이 구성을 사용하면 4,096개의 입력 뉴런이 발생한다. 이 네트워크는 참조하는 차원에 따라 2D 또는 4,096D이다.

 

분류 및 회귀 (Classification or Regression)

 

많은 모델과 마찬가지로, 신경망은 분류 또는 회귀에서 기능할 수 있다.

 

• 분류 : 뉴럴 네트워크의 예측 값으로 클래스/카테고리를 예측한다. • 회귀 : 뉴럴 네트워크의 예측 값으로 숫자를 예측한다.

 

회귀 신경망의 출력은 숫자이고 분류 출력은 클래스이다. 회귀 또는 두 클래스 분류 네트워크는 항상 단일 출력을 가진다. 분류 신경망은 각 범주에 대한 출력 뉴런을 가진다.