[인공 신경망] 딥러닝의 구조와 신경계

 

앞서 MNIST를 통해서 컴퓨터가 어떻게 이미지를 처리하는 지 학습했다.

정리하자면 컴퓨터는 사진을 input으로 받아서, 각각의 픽셀별로 가중치를 받아서 계산을 하고 이게 무엇인지 판단을 하는 것이다.

즉, 이미지여도 값으로 변환해서 복잡한 계산을 통해서 결과(output)를 만들어 내는 것이다.

 

이 구조를 생각해보면, 인간의 신경계와 유사한 것을 확인할 수 있다.

어떤 자극이 오면(input) 이를 처리해서 결과를 다음으로 넘겨주는 과정이 딥러닝의 과정과 매우 유사하다는 것이다.

 

MNIST에서 보았던 input값에 대한 데이터 처리에서 보면

사진(input)의 픽셀을 하나씩 가중치를 부여해서(처리) 결과(판단)를 만들었다. 이 과정을 다시한번 공식으로 재구성을 해보겠다.

 

앞서 본 그림과 동일하지만, 공식적으로 b (편향), w(가중치)라고 표현하며, 활성함수를 통해서 최종 판단을 내리게 되는 것이다.

 

지금은 하나의 뉴런(x)으로 구성되어 있지만, 실제 딥러닝의 구조에는 이 뉴런층이 여러개로 구성되어 있다.

훨씬 더 복잡한 구조로 되어있지만, 쉽게 설명하면 다음과 같다.

앞서 본것과 같이 입력층이 있고, 출력층이 있다. 하지만 그 사이에 수많은 은닉층(hidden layer)이 존재한다.

 

수 많은 뉴런들이 연결되어 있는 우리의 신경게와 같은 것이 인공 신경망이다.

정리하자면 많은 layer를 통해 정보들이 앞뒤로 전달되며 학습되어 출력층의 값을 가지고 예측(결과)을 만든다.

 

그리고 앞에서 정리한 것처럼, 수많은 데이터가 필요한 이유는 이 복잡한 층들 사이의 가중치 조절을 통해 더 정확하고 정밀하게 예측하기 위함이다. 그리고 이것이 학습이다.