반응형
인공 신경망과 퍼셉트론
인공 신경망(Artificial Neural Network)
생물학적인 뉴럴 네트워크를 수학적으로 모방하여 인공적으로 만든 신경망이다.
우리의 몸은 우리가 느끼는 감각을 모두 전기적 신호로 받아들인다.
이 때 그냥 받아 들이는 것이 아니라 신경 세포의 시냅스에서 전기 신호를 재 조정하는 것과 같이 다양한 과정을 거친 후 받아들이게 된다. 신경 세포의 구조를 하나하나 살펴보며 신경 세포 내의 각 부분이 어떤 역할을 하는지 알아보자.
Dendrite
: 하나의 뉴런 주위에는 많은 이웃 뉴런들이 있는데, 이웃 뉴런에서 전기 신호를 받아들이는 부분
Synapse
: 다른 뉴런과 Dendrite의 연결 부에 있으며 전기신호의 세기를 재조정
Soma(cell body)
: Dendrite로 부터 받은 여러 전기신호들을 모두 합침
Axon
: Soma의 전위가 일정 이상이 되면 이웃 뉴런으로 전기 신호를 보냄.
임계값을 넘지 못하면 전기 신호는 전달되지 못함
퍼셉트론
인공신경망(Neural Network)를 수학적으로 모델링해서 만든 것
일정 신호 이상이 되면 값을 다음 뉴런에게 넘긴다는 개념
x1, x2는 들어오는 전기 신호의 세기를 의미를 의미하며, 그림의 각 부분을 뉴럴 네트워크의 기능과 비교해보면
θ = 임계값 (Axon)
w1x1 , w2x2 : 가중치로서, 시냅스(Synapse) 역할
w1x1 + w2x2 : 여러 전기신호들을 모두 합치는 soma 역할
총 3 개의 뉴럴 네트워크 기능을 모방한 것을 알 수 있다.
퍼셉트론을 통한 AND 게이트 구현
위의 표에서
전기가 흐른다 : True = 1 , 전기가 흐르지 않는다 : False = 0 를 의미한다.
표의 경우를 살펴보면 다음 3가지의 퍼셉트론 형식을 가질 수 있는 것을 확인할 수 있다.
1) 두 변수가 모두 1인 경우
2) 한 변수는 1이고 다른 한 변수는 0인 경우
3) 두 변수가 모두 0인 경우
여러가지 답이 있겠지만 우리는 퍼셉트론 식에서 각 값을 w1 = 0.5, w2 = 0.5, θ = 0.7 로 잡아보자.
첫 번째 경우였던 모든 변수가 1일 때만 결과값이 1이 됨을 알 수 있다.
나머지 2개의 경우는 가중치곱을 통한 최종값이 임계값 0.7을 넘기지 못해 다음 노드의 값이 0이 됨을 알 수 있다.
정리한 ppt )
반응형
댓글