딥러닝 분석 알고리즘 간단 개념 정리 (DNN, CNN, RNN)

 

 

저번에 이어서 아주 간단하게 개념을 정리해보려고한다. 

 

사실 RNN같은 경우도 그렇고 CNN도 이전에 정리를 했었기에 

 

이번엔 면접대비용으로 아주 간단하게 딥러닝 알고리즘 전반적 겉핥기 식으로 포스팅해보려고한다. 

 

 

---

 

먼저 인공신경망은 생물체의 신경망을 통해 아이디어를 얻은 통계학적 학습 알고리즘이다. 

 

하나의 뉴런이 다른 뉴런들과 연결되어 신호를 전달, 처리하는 구조를 본떠왔다. 

 

입력데이터가 들어가면서 신호의 강도에 따라 가중치 처리되고 활성화 함수를 통해 출력이 계산되는데

 

학습을 거쳐 원하는 결과가 나오게끔 가중치가 조정된다. 

 

 

 

인공신경망은 당시 컴퓨터의 계산 수준이 알고리즘 수행을 하기에 최적화 되지 못했다는 점,

 

트레이닝 셋에만 최적화되어 과적합이 발생한다는 점 등의 문제가 있어 

 

알고리즘 개선과 GPU등의 하드웨어 발전으로 인해 딥러닝이 등장하게 되었다.

 

 

 

딥러닝의 기본구조는 DNN(심층신경망)으로 입력층과 출력층 사이 은닉층(hidden layer)을 2개 이상 가진 학습 구조로

 

컴퓨터가 스스로 답안을 만들어내며 반복 하여 최적의 답안을 결정한다. 

 

 

인공신경망, 딥러닝의 자세한 구조나 개념들에 대해서는 따로 다루지 않았다.

 

( 예를들어 back propagation이나 활성화 함수 등 혹은 stride )

 

 

---

 

 

딥러닝 모델 종류에는 CNN(Convolutional Neural Network, 합성곱 신경망 모델)이 있다.

 

사람의 시신경 구조를 모방한 CNN은 모든 입력 데이터들을 동등한 뉴런으로 처리한다. 

 

CNN은 합성곱 계층과 풀링 계층으로 나누어지는데 

 

입력된 데이터를 필터가 순회하며 합성곱을 계산한 뒤 feature map을 생성한다. 

 

feature map은 서브 샘플링을 통해 차원을 줄여주며 stride, padding 등 다양한 요소에 따라 

 

출력 데이터의 구조가 결정된다.

 

 

CNN은 이미지 프로세싱에 보편적으로 활용되며 

 

수치, 텍스트, 음성 이미지들의 데이터에서 학습하여 추출, 분류, 인식 처리에 활용되고 있다. 

 

 

 

 

 

 

 

RNN(Recurrent Neural Network)은 인공신경망을 구성하는 유닛사이의 연결이 순환적 구조를 갖는 신경망이다.

 

그래서 입력데이터와 과거에 입력받았던 데이터를 동시에 고려할 수 있다. 

 

RNN은 자세히 다룬 게시글이 있으니 넘어가겠다!

 

 

 

https://nthree.tistory.com/8

RNN 개념 간단 정리 (자연어 처리)

 

 

---

 

이렇게 또 간단하게 정리를 해보았고

 

 

다음엔 면접대비해서 자연어처리와 관련된 개념을 정리해보겠다.