신경망이란 무엇입니까?

딥러닝이라는 용어는 신경망 훈련을 의미합니다. Deep은 매우 큰 신경망을 나타냅니다. 그렇다면 신경망이 정확히 무엇인지 이 글을 읽고 나면 매우 직관적으로 이해하게 될 것입니다. 이 글에서는 신경망이 무엇인지에 대한 간단한 이해를 중심으로 소개하며, 도움이 필요한 친구들이 참고할 수 있습니다.

주택 가격 예측의 예부터 시작해 보겠습니다. 지금은 집값이 너무 비싸서 8년 전에 부모님이 북경에서 집을 사달라고 하셔서 지금 생각해보면 제가 바보였어요. 그 때 사서 지금은 블로그 쓸 필요가 없지요~~

집값은 중국인들이 직접 추측한다고 하는데, 추측 외에도 집값에 영향을 미치는 실제 요인이 여전히 있습니다. 이러한 요소들을 분석함으로써 우리는 주택 가격을 예측할 수 있습니다. 데이터 세트(6개 주택의 크기 및 가격)가 있다고 가정합니다. 지역에서 가격을 예측하는 방법(예: 함수 작성)을 찾고 싶습니다. 선형 회귀에 익숙하다면(익숙하지 않아도 상관없습니다. 그냥 수학적 이론이라고 생각하시면 됩니다), 이 이론을 바탕으로 실제 데이터 근처에 빨간색 선과 같은 직선을 그릴 수 있습니다. 위 그림에서 그리고 그 근처의 파란색 선은 6채의 주택 면적이 주택 가격에 해당하는 지점을 나타냅니다. 즉, 이 선(이 함수)을 사용하여 a에 해당하는 주택 가격을 구합니다. 특정 영역에서는 일부 오류를 제외하면 기본적으로 정확합니다. 또한, 당신이 다른 사람의 집을 점거하고 다른 사람에게 돈을 요구하는 깡패가 아닌 한 그 가격은 결코 마이너스가 되지 않을 것임을 우리는 알고 있습니다. 따라서 면적이 0이면 가격도 0이므로 위의 직선이 회전하게 됩니다. 면적을 기준으로 가격을 예측하는 위의 함수는 매우 간단한 뉴런 네트워크(거의 가장 간단한 뉴런 네트워크)라고 생각하면 됩니다. 오른쪽 그림과 같이 노란색 원은 뉴런이고, 집의 크기는 x입니다. 이 뉴런을 입력으로 입력한 후, 뉴런이 집값 y를 출력합니다.

신경망 관련 문헌에서 이 기능(위의 빨간색 선)을 자주 볼 수 있습니다. 이 기능은 일정 시간 동안 0이 되었다가 갑자기 이륙하여 급등합니다. 이를 선형 단위 함수(ReLU, 정식 명칭: 정류 선형 단위)라고 합니다. 지금 이해하지 못해도 나중에 이해하게 될 것입니다!

집값을 예측하기 위해 면적을 사용하는 위의 예는 단일 뉴런으로 구성된 매우 작은 신경망입니다. 이러한 뉴런을 여러 개 쌓아서 더 큰 신경망을 형성할 수 있습니다. 뉴런을 빌딩 블록으로 생각할 수 있으며, 이러한 빌딩 블록을 많이 쌓아서 더 큰 신경망을 얻을 수 있습니다. 주택가격의 예를 들면, 위의 그림에서 볼 수 있듯이 주택가격에 영향을 미치는 요인으로는 면적뿐만 아니라 침실의 개수 등도 있습니다. 크기 외에도 침실 수에 따라 집이 3인 또는 5인 등 가족에게 적합한지 여부가 결정됩니다. 또 다른 요소는 우편번호입니다. 여기서 우편번호는 지리적 위치를 나타냅니다. 지리적 위치가 번영하면 생활이 더욱 편리해집니다. 그리고 또 다른 요인은 중국의 Fangyi 학군으로 알려진 학교의 질 수준입니다. 이러한 요소를 특성이라고도 합니다. 면적과 침실 수를 기준으로 가족 규모에 맞는지 추정할 수 있습니다. 우편번호를 기준으로 통학 편의성을 포함한 생활 편의성을 가늠할 수 있습니다. 마지막으로 학교 평가를 통해 교육의 질을 평가할 수 있습니다. 사람들은 집을 살 때 이 네 가지 요소를 고려하게 됩니다. 즉, 가격을 결정하는 것이므로 지금은 과대광고 요소를 무시합시다. 따라서 이 예에서 x는 이러한 4개의 입력을 나타내고 y는 예측할 가격입니다. 위 왼쪽 그림은 우리가 어떤 입력값이 가족수, 생활편의성, 교육의 질에 영향을 미칠지 분석한 후 염두에 둔 가격을 도출하는 과정입니다. 신경망의 놀라운 점은 입력 x(면적, 침실 수...)와 원하는 결과 y(주택 가격)뿐 아니라 훈련에 사용되는 실제 데이터(면적 ​​위의 6개 주택, 침실 수) ...및 가격), 중간 부분의 가족 규모 매칭, 생활 편의성, 교육 품질은 그림과 같이 실제 데이터 학습을 기반으로 신경망 자체에서 얻어집니다. 오른쪽에. 일곱 번째 집의 특성(지역, 우편번호...)을 다시 입력하면 이 신경망은 이전에 훈련된 중간 부분을 기반으로 최종 주택 가격을 제공합니다. 즉, 신경망의 내부 프로세스가 인간의 분석 프로세스를 대체합니다. 또 다른 예를 들자면, 우리가 아이들에게 고양이에 대해 가르칠 때 흰 고양이 몇 마리를 데려와서 고양이라고 말하고, 검은 고양이 몇 마리를 데리고 와서 이것도 고양이라고 말하고, 개 몇 마리를 데리고 와서 고양이라고 말합니다. 고양이가 아니네요. 마지막으로 얼룩무늬 고양이를 데려와 물어보면 고양이라고 대답할 것입니다. 그런데 어떻게 알았을까요? 중간 판단 과정은 어떻게 되나요? 우리는 모른다. 이것이 바로 신경망이 무서운 이유입니다. 신경망은 인간과 매우 유사하게 작동합니다. 우리는 그것이 내부적으로 어떻게 작동하는지 모릅니다. 즉, 우리가 아이를 모르는 것처럼 신경망이 어떻게 생각하는지 모릅니다. 특히 고양이와 개의 차이점. 인공지능은 위험하며 인류를 파괴할 수 있다는 머스크의 주장은 옳다.

위에서 언급한 중간 부분의 뉴런을 은닉 뉴런이라고 합니다. 오른쪽의 신경망에서 각 숨겨진 뉴런이 모든 특성 입력을 받는 것을 알 수 있습니다. 왼쪽 그림은 면적과 침실 수의 두 가지 특성이 가족의 크기와 관련이 있다는 것을 분석한 것입니다. 오른쪽 그림에서는 각 숨겨진 뉴런에 모든 특성을 제공합니다. 신경망 자체에서 어떤 특성이 어떤 측면에서 주택 가격에 영향을 미치는지 분석합니다. 어쩌면 신경망의 분석이 인간의 분석보다 더 효율적이고 포괄적일 수도 있습니다. 인간의 언어로 의사소통하는 것이 너무 비효율적이라고 느꼈기 때문에 페이스북의 신경망이 의사소통 방법을 발명했다는 뉴스를 본 적이 있습니다~~

관련 추천 :

Python을 사용하여 2계층 신경망 및 퍼셉트론 모델을 구현하는 방법

신경망의 이론적 기초와 Python 구현 방법에 대한 자세한 설명

간단한 신경망 알고리즘을 그래픽과 텍스트로 JavaScript로 구현 설명

위 내용은 신경망이란 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!