딥 러닝의 작동 원리
인공 신경망(artificial neural network)은 데이터 입력, 가중치 및 편중의 조합을 통해 인간의 뇌를 모방하려고 시도합니다. 이러한 요소는 함께 작동하여 데이터 내의 개체를 정확하게 인식, 분류 및 설명합니다.
참고 | 은닉층(Hidden Layers): 딥 러닝 시스템에서 입력값을 받아 처리한 뒤 결과를 산출하는 층 (가중합 계산 및 함수에 적용). 따라서 인공 신경망에는 반드시 1개 이상의 은닉층이 존재해야 함.
마치 인간의 뇌가 뉴런으로 구성되어 있는 것처럼 신경망은 연결점(node)들의 층입니다. 개별 층 내의 연결점은 인접 층에 연결됩니다. 신경망의 깊이는 층의 개수가 얼마나 되느냐에 따라 달라집니다. 인간의 뇌에 있는 하나의 뉴런은 다른 뉴런들로부터 수천 개의 신호를 받습니다. 마찬가지로 인공 신경망에서 신호는 연결점들 사이를 이동하며 그에 상응하는 가중치를 할당합니다. 가중치가 높은 연결점이 다음 연결점 층에 더 많은 영향을 미칩니다. 마지막 층은 가중치 입력을 컴파일하여 출력을 생성합니다. 딥 러닝 시스템은 처리 중인 대량의 데이터가 있고, 여러 복잡한 수학적 계산이 수반되기 때문에 강력한 하드웨어가 필요합니다. 그러나 이러한 고급 하드웨어를 사용하더라도 딥러닝 교육 연산은 몇 주가 걸릴 수 있습니다.
딥 러닝 시스템은 정확한 결과를 산출하기 위해 많은 양의 데이터가 필요하며, 따라서 정보는 대규모 데이터 세트로 공급됩니다. 데이터를 처리할 때, 인공 신경망은 매우 복잡한 수학적 계산을 포함하는 일련의 이진 참 또는 거짓 질문에서 수신한 답변으로 데이터를 분류할 수 있습니다.
예를 들어, 얼굴 인식 프로그램은 얼굴의 가장자리와 선, 그리고 얼굴의 더 중요한 부분, 그리고 마지막으로 얼굴의 전체적인 표현을 감지하고 인식하는 법을 배움으로써 작동합니다. 시간이 지남에 따라 프로그램은 스스로 훈련되고 정답의 확률은 증가합니다. 이 경우, 얼굴 인식 프로그램은 시간에 따라 얼굴을 정확하게 식별할 것입니다.
