신경망에 대한 사전 이해

노드 또는 뉴런이라고도 알려진 단위는 신경망의 핵심입니다. 각 단위는 하나 이상의 입력을 받고 각 입력에 가중치를 곱한 다음 가중치가 적용된 입력을 편향 값에 더합니다. 다음으로 이 값은 활성화 함수에 입력됩니다. 신경망에서는 단위의 출력이 다른 뉴런으로 전송될 수 있습니다.

피드포워드 신경망이라고도 알려진 다층 퍼셉트론은 현재 가장 널리 사용되고 간단한 인공 신경망 모델입니다. 서로 연결된 여러 레이어로 구성되며, 각 레이어는 입력 특성과 목표 값을 연결합니다. 이러한 네트워크 구조를 '피드포워드(feedforward)'라고 부르는 이유는 입력 특성 값이 네트워크를 통해 "forward" 방식으로 전달되고, 각 계층에서는 최종 출력이 목표 출력과 일치할 때까지 특성 값을 변환하기 때문입니다.

피드포워드 신경망에는 세 가지 유형의 레이어가 있습니다. 각 단위에는 입력 레이어의 단일 기능에 대한 관측치가 포함됩니다. 100개의 특징 관찰이 있는 경우 입력 레이어에는 100개의 노드가 있습니다. 출력 레이어는 히든 레이어의 출력을 신경망에 유용한 값으로 변환합니다. 이진 분류를 달성하기 위해 출력 레이어에서 시그모이드 함수를 사용하여 출력을 클래스 확률 0 또는 1로 스케일링할 수 있습니다. 은닉층은 입력층과 출력층 사이에 위치하며, 입력층의 특징값을 처리하는 역할을 담당합니다. 마지막으로 출력 레이어는 이를 대상 클래스와 유사한 값으로 변환합니다.

신경망의 매개변수는 일반적으로 가우스 분포 또는 정규 균일 분포에서 나올 수 있는 작은 임의의 값으로 초기화됩니다. 손실 함수는 네트워크를 통해 공급된 후 실제 값과 비교하여 네트워크의 출력 값과 관측 값의 차이를 측정하는 데 사용됩니다. 순방향 전파 알고리즘은 예측값과 실제 값 간의 차이에 가장 큰 영향을 미치는 매개변수를 결정하는 데 사용됩니다. 최적화 알고리즘을 통해 결정된 크기에 따라 각 가중치가 조정됩니다.

신경망은 순방향 전파와 역방향 전파의 여러 반복을 통해 훈련 데이터의 각 관찰로부터 학습합니다. 각 관측값이 네트워크를 통해 전송되는 횟수를 에포크(epoch)라고 하며, 일반적으로 훈련은 매개변수를 반복적으로 조정하기 위해 여러 에포크로 구성됩니다.

위 내용은 신경망에 대한 사전 이해의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!