[솔트룩스] 새싹 인공지능 응용 SW 개발자 양성과정 | 37일차 | 7. 딥러닝 (2)

 2022.02.11 | 37일차 | 7. 딥러닝 (2)

    - 권혜윤 강사님 ( yujinkwon@nate.com )



신경망(Neural Network)
    • 딥러닝은 신경망이라는 모델을 사용하여 학습
    • 신경망은 뉴런(Neuron)들로 이루어진 그룹을 의미
    • 하나의 데이터 학습을 새로운 방식으로 하는 수학 모델
  • 신경망의 구성
    • 입력층(Input), 출력층(Output), 은닉층(Hidden)
  • 신경망 학습의 목표
    • 가중치의 정확한 값을 찾는 것.
  • 신경망 학습의 순서
    • 데이터 입력
    • 층의 가중치를 사용하여 출력 값 계산 (모든 층에서 반복)
    • 마지막으로 나오는 예측값은 손실 함수를 통해서 점수 계산
    • 손실 점수 감소하도록 가중치 수정(Optimizer) - 반복
    • 손실 점수 최소화시키는 가중치 찾아냄




인공신경망(Artificial Neural Network)
  • 인공신경망
      • 생물학적인 뉴런의 개념을 따서 만든 컴퓨팅(전산적)적인 모델.
      • 두개의 층(Layers) 이상으로 구성되어 있다는 것이 특징.
  • 퍼셉트론 (Perceptron)
    • 인공 신경망의 다른 이름
    • 다수의 신호를 입력으로 받아 하나의 신호를 출력한다.
    • 퍼셉트론은 신호 1과 0을 가질 수 있다
    • 주로 분류에 사용
    • 활성화 함수는 Sigmoid, Relu 등이 있음
  • 인공신경망을 이용한 AND 연산
    • 인공 신경망의 Cost 함수 (평균 제곱근 오차)
        • cost가 높음: 아직 모델이 학습되지 않은 것
        • cost가 낮음: 학습이 잘 되어 있다는 것을 의미


      • log를 이용해서 Cost 함수를 구현
        • log(0) = 음의 무한대 
        • log(1) = 0
      • 0~1 사이 log에 -를 곱한 cost 함수를 이용해서 Gradient Decent를 구현



활성화 함수 (Activation Function)
  • 딥러닝 네트워크에서 노드에 입력된 값들을 비선형 함수에 통과시킨 후 다음 레이어로 전달하는데, 이 때 사용하는 함수를 활성화 함수라고 함
  • 비선형 함수를 사용하는 이유는 딥러닝 모델의 레이어 층을 깊게 가져갈 수 있기 때문. 
  • 활성화 함수는 입력 데이터를 다음 레이어로 어떻게 출력하느냐를 결정하는 역할이기 때문에 매우 중요.
  • 활성화 또는 비활성화를 결정하는 데에 사용되는 함수
  • 활성화 함수 종류
    1. Sigmoid 함수
      • 시그모이드 함수는 Logistic 함수라고 불리기도 하며, x의 값에 따라 0~1의 값을 출력하는 S자형 함수
      • 은닉층의 깊이가 깊으면 오차율을 계산하기 어려움 (Vanishing Gradient Problem)
      • 모든 실수 값을 0 보다 크고 1보다 작은 미분 가능한 수로 변환하는 특징이 있기 때문에, Logistic Classification과 같은 분류 문제의 가설과 비용 함수 (Cost Function)에 많이 사용됨
      • 리턴 값이 확률 값이기 때문에 결과를 확률로 해석할 때 유용함.




    2. Tanh 함수 
      • Hyperbolic Tangent Function 은 쌍곡선 함수 중 하나로, 시그모이드 함수를 변형해서 얻을 수 있음
      • 시그모이드가 가지고 있던 최적화 과정에서 느려지는 문제를 해결했다 (함수의 중심점을 0으로 옮김)




    3. ReLU 함수
      • Rectified Linear Unit 경사함수는 가장 많이 사용되는 활성화 함수 중 하나
      • Gradient Vanishing 문제를 해결하기 위한 함수
      • 0보다 작은 값들에서 뉴런이 죽을 수 있는 단점 있음
      • 학습이 빠르고, 연산 비용이 적고, 구현이 매우 간단함.





    4. Leaky ReLU
      • Dying ReLU (뉴런이 죽는 현상)을 해결하기 위해 나온 함수
      • ReLU 특성과 동일.


    5. PReLU
      • Leaky ReLU와 거의 유사하지만 새로운 파라미터 α를 추가해 x가 음수인 영역에서도 기울기를 학습한다. 




    6. ELU
      • Exponential Linear Unit은 ReLU의 모든 장점을 포함하며 Dying ReLU 문제를 해결했음.
      • 출력값이 거의 Zero-centered에 가까우며, 일반적인 ReLU와 다르게 exp 함수를 계산하는 비용이 발생함.




    7. Maxout
      • ReLU의 장점을 모두 갖고, Dying ReLU 문제 또한 해결.
      • 계산해야 하는 양이 많고 복잡하다는 단점이 있음. 



  • Weight (가중치)
    • 뉴런사이의 연결 강도
    • 훈련동안 업데이트 됨 
    • Learnable Parameters


  • Bias (편향) 
    • 하나의 뉴런으로 입력된 모든 값을 다 더한 다음에(가중합) 이 값에 더 해주는 상수.
    • 이 값은 하나의 뉴런에서 활성화 함수를 거쳐 최종적으로 출력되는 값을 조절하는 역할.



Today's code (Google Colab) 

댓글

댓글 쓰기

이 블로그의 인기 게시물

[혼자 공부하는 머신러닝 + 딥러닝] 17강_인공 신경망: 간단한 인공 신경망 모델 만들기

이미지
17강_인공신경망: 간단한 인공 신경망 모델 만들기 딥러닝과 인공 신경망 알고리즘을 이해하고 텐서플로를 사용해 간단한 인공 신경망 모델을 만들어 봄.  <혼자 공부하는 머신러닝+딥러닝>의 코드 저장소 인공 신경망 패션 MNIST MNIST 딥러닝을 처음 배울 때 많이 사용하는 데이터 셋. 0~9 까지의 숫자로 이루어져 있음 MNIST 와 크기, 개수가 동일하지만 숫자 대신 패션 아이템으로 이루어진 데이터. 텐서플로우(케라스)를 사용해 데이터를 불러옴 로지스틱 회귀로 패션 아이템 분류하기  확률적 경사 하강법 샘플을 하나씩 꺼내서 모델을 훈련하는 방법. 넘파이 배열의 바이트 크기 nbytes 속성에 저장되어 있음. 인공 신경망 출력층 신경망의 최종 값을 만든다는 의미 뉴런 z 값을 계산하는 단위 유닛 뉴런이라는 표현 대신에 부름 입력층 픽셀값 자체, 특별한 계산을 수행하지 않음.  1943년 워런 매컬러와 월터 피츠가 제안한 뉴런 모델 매컬러-피츠 뉴런 생물학적 뉴런에서 영감을 얻음 기존의 머신러닝 알고리즘이 잘 해결하지 못했던 문제에서 높은 성능을 발휘하는 새로운 종류의 머신러닝 알고리즘일 뿐. 딥러닝 인공신경망과 거의 동의어로 사용됨 혹은 심층 신경망을 딥러닝이라고 함.  여러 개의 층을 가진 인공 신경망 텐서플로와 케라스 텐서플로 구글이 2015년 11월 오픈소스로 공개한 딥러닝 라이브러리 알파고가 이세돌 9단을 이겨 폭발적 인기 끔. 케라스 텐서플로의 고수준 API  2015년 3월 프랑소와 숄레가 만든 딥러닝 라이브러리 그래픽 처리 장치인 GPU 사용하여 인공 신경망 훈련 (벡터와 행렬 연산에 매우 최적화) 멀티-백엔드 케라스 인공 신경망으로 모델 만들기  인공 신경망에서 교차 검증을 사용하지 않고 검증 세트를 사용하는 이유 딥러닝 분야의 데이터셋은 충분히 크기 때문에 검증 점수가 안정적 교차 검증을 수행하기에는 훈련 시간이 너무 오래 걸리기 때문.  밀집층 완전 연결층 활성화 함수...
자세한 내용 보기

[솔트룩스] 새싹 인공지능 응용 SW 개발자 양성과정 | 24일차 | 5. 머신러닝 (2)

이미지
  2022.01.17  | 24일차 | 5. 머신러닝 (2)     - 권혜윤 강사님 ( yujinkwon@nate.com )     - Decision Tree 수업 내용 코드 (코랩)     - Random Forest 수업 내용 코드 (코랩)      Decision Tree 분리 기준 (Split Criterion)  부모 마디로부터 자식 마디들이 형성될 때, 생성된 자식 노드에 속하는 자료의 순수도가 가장 크게 증가하도록 트리를 형성하며 진행 입력 변수를 이용해 목표 변수의 분포를 얼마나 잘 구별하는 정도를 파악해 자식 마디가 형성되는데, 목표 변수의 구별 정도를 불순도에 의해 측정 지니 지수 (Gini Index) : 데이터 집합의 불순도를 측정 0~1 사이의 값 어떤 데이터 집합에 속한 개체들이 같은 범주로 구성되어 있으면 지니 지수는 최솟값이 0을 갖고, 해당 데이터 집합은 순수하다고 볼 수 있음. 즉, 지니 지수가 작을수록 잘 분류된 것. Tree 만든 데이터는 정확도가 100%  데이터 보고 Gini 계산해서 Tree를 만들었기 때문 모든 데이터로 Tree를 만들어서 만든 Tree가 정확한 Tree인지 알 수 없음 해결방안 전체 75% 로 Tree를 만들고 (Train Set), 일부 25% 는 보관 (Test Set), 나중에 Test set 데이터로 Tree가 얼마나 정확한지 측정 강의자료 실습 Decision Tree [실습교재코드] 패키지 설명  Scikit-learn (sklearn) Python 프로그래밍 언어용 기계학습(Machine Learning) 관련 라이브러리 (Library) sklearn.metrics scikit-learn 패키지 중 모형평가에 사용되는 서브 패키지 classification_report: 주요 분류 측정 항목을 보여주는 보고서 모듈 confusion_matrix: 분류...
자세한 내용 보기

[혼자 공부하는 머신러닝 + 딥러닝] 10강_확률적 경사 하강법 알아보기

이미지
10강_확률적 경사 하강법 알아보기 경사 하강법 알고리즘을 이해하고 대량의 데이터에서 분류 모델을 훈련하는 방법을 배움.  <혼자 공부하는 머신러닝+딥러닝>의 코드 저장소 확률적 경사 하강법 점진적인 학습 앞서 훈련한 모델을 버리지 않고 새로운 데이터에 대해서만 조금씩 더 훈련하는 방법 (온라인 학습)  대표적인 점진적 학습 알고리즘은 확률적 경사 하강법 확률적 경사 하강법  훈련 세트에서 랜덤하게 하나의 샘플을 고르는 것  가장 가파른 길을 찾아 내려오지만 조금씩 내려오는 것이 중요 (모델 훈련) 확률적 전체 샘플을 사용하지 않고 딱 하나의 샘플을 훈련 세트에서 랜덤하게 골라 가장 가파른 길을 찾음.  에포크 훈련 세트를 한 번 모두 사용하는 과정 미니배치 경사 하강법 여러 개의 샘플을 사용해 경사 하강법을 수행하는 방식 배치 경사 하강법 극단적으로 한 번 경사로를 따라 이동하기 위해 전체 샘플을 사용하는 것. 가장 안정적인 방법이나 컴퓨터 자원을 많이 사용함.  신경망 모델이 확률적 경사 하강법이나 미니배치 경사 하강법을 사용함.  손실함수 어떤 문제에서 머신러닝 알고리즘이 얼마나 엉터리인지를 측정하는 기준 손실함수와 비용함수 손실 함수는 샘플 하나에 대한 손실을 정의하고 비용 함수는 훈련 세트에 있는 모든 샘플에 대한 손실 함수의 합을 말함.  손실함수는 미분 가능해야함.  로지스틱 회귀 모델의 확률 출력 로지스틱 손실 함수 (이진 크로스엔트로피 손실 함수) 양성 클래스(타깃 = 1)일 때 손실은 -log(예측 확률)로 계산 확률이 1에서 멀어질수록 손실은 아주 큰 양수가 됨.  음성 클래스(타깃 = 0)일 때 손실은 -log(1-예측확률)로 계산 이 예측 확률이 0에서 멀어질수록 손실은 아주 큰 양수가 됨.  이진 분류는 로지스틱 손실 함수를 사용하고 다중 분류는 크로스엔트로피 손실 함수를 사용.  - 회귀는 어떤 손실함수를 사용하나? '...
자세한 내용 보기