컴퓨터 비전 6주차(3)

[학습목표]
인공신경망 알고리즘에 대해 설명할 수 있다.

---

퍼셉트론

• 퍼셉트론이라고 하는 것은, 1943년 맥크로취와 피트에 의해서 신경활동에서 생각의 논리적 계산이라고 하는 논문에서 처음으로 인공 신경망의 연구가 출발이 되었고 이러한 인공 신경망 출발을 하고 난 이후에 그로부터 한 10년 뒤, 로젠블렛에 의해 고안된 알고리즘이 바로 퍼셉트론이다. 이러한 알고리즘은 가중치 수정규칙으로 이진 분류기 학습이 가능하다고 하는 부분도 입증되었다.
• 인공신경망의 기원이 되는 알고리즘
• 퍼셉트론은 최초의 인공 신경망이고 단층 신경망으로써 선형 분류의 문제를 해결할 수 있다. 근데 문제가 발생했다. 
• 퍼셉트론만으로는, 비선형적인 문제를 풀 수가 없다는 문제에 봉착하게 되었다. 퍼셉트론이 나오면서 첫 번째 인공지능에 관련된 황금기가 시작이 다음으로, 퍼셉트론의 문제점이 발견되면서 (한계점 발견) 암흑기에 접어들게 되었다.

 

 

계단함수 

• 계단 함수 기능 : 계단함수의 출력값이 0보다 크면 1을 반환해 주고, 0보다 작거나 같다면 0을 반환해 주는 기능
• 즉, 0과 1을 판별할 때 활성화 함수는 계단 함수를 사용하더라도 전혀 문제가 없다는 것을 알 수 있다.
• ※ 가중치와 편향의 값은 학습을 통해서 정해준 것이 아닌, 사람이 정해준 것이다.
• 계단 함수를 활성화 함수로 사용했을 때 OR 게이트는 동작하는 데 아무런 문제가 없다. 

 

▶ 이번에는 알고리즘이 데이터를 학습해서 가중치하고 편향의 값을 설정하는 경우를 보자.
활성화 함수를 하이퍼볼릭 탄젠트 함수로 사용하기 때문에 진리표 출력값을 조금 수정해보자.
→X값에 다 0을 넣으면 출력값이 0이 아닌 -1이 나오도록 수정

• OR게이트라고 하는 단층 퍼셉트론을 구현을 하는 데도 함수를 어떻게 사용하느냐에 따라서 그 결과값이 달라진다. 
• 시그모이드이면 0 또는 1, 하이퍼볼릭 탄젠트 함수일 경우 -1 또는 1

오타가있음, -1 이 아닌 0

※ 활성화 함수 하는 기능과 활성화 함수가 달라짐으로써 예측 결과를 판별하는 임게값의 기준이 달라지는 것을 확인할 수 있다. 

▶ 순전파와 역전파를 통해서 예측값하고 실제값의 차이를 가지고 매개변수 값들을 갱신하는 과정이 바로 학습이다. 

즉, OR게이트를 구현했으니까 0 아니면 1로 분류하는 거니까 이진 분류 모델이라고 할 수 있다.

이진 분류 모델에 있어서, 알고리즘을 사람이 설계를 할 수 있을까?

• 영상 데이터에서는 대부분이 다 비정형 데이터이다. 즉, 비선형적인 문제는 더 이상 사람이 로직을 제시하기엔 어렵다.
• 어떻게 해야할까? 인공 신경망을 이용해서 로직을 만들게 되고 이 로직을 토대로 해서 정확도가 높다고 하면 그 로직을 사용해야 한다.

 

▶ 비선형적인 문제를 잘 풀기 위해서는 인공 신경망의 층을 더욱 깊이 쌓아야 한다. 예시) XOR 문제