본문 바로가기

구조3

DL #9 : Recurrent Neural Network (RNN) 구조 및 장단점 Recurrent Neural Network (RNN) RNN은 순환 신경망이라고 불리며, 과거의 데이터도 학습에 활용하는 딥러닝 알고리즘 입니다. RNN은 몇 단계 전으로 거슬러 올라가 데이터를 반영하는 신경망 알고리즘 입니다. 간단히 설명하자면, 1회의 데이터가 아니라 과거의 데이터도 학습에 활용하는 알고리즘입니다. RNN의 특징은 아래와 같습니다. RNN 사용 예시1. 시계열 데이터 학습 가능2. 음성 파형, 자연어 학습 가능3. 자연어 처리, 음성 인식과 같은 순서가 있는 데이터 처리 RNN 구조 RNN의 학습은 확률적 경사 하강법을 이용해서 실시간 순환학습 (Real-Time Recurrent Learning : RTRL)이나 시간 기반 오차역전파 (Back Propagation Through .. 2020. 5. 25.
DL #8 : Convolutional Neural Network (CNN) 구조 및 동작 방식 Convolutional Neural Network (CNN) CNN은 신경망에 전처리를 추가한 다층 퍼셉트론의 한 종류입니다. 2차원 데이터의 입력과 훈련이 용이하며 적은 매개변수라는 장점으로 이미지, 동영상, 음성 학습에 많이 사용되는 알고리즘입니다. 간단하게 설명하자면, CNN은 합성곱 신경망이라고 할 수 있습니다. CNN 적용 예시 : 이미지, 동영상, 음성 학습 CNN 알고리즘 구조 CNN은 Convolution Layer, Pooling Layer, Fully-connected Layer 단계로 이루어진 구조입니다. Convolution Layer, Pooling Layer에서 특징맵이 만들어지는데, 두 Layer 사이에 정규화 계층을 포함하기도 합니다. CNN 알고리즘 동작 방식CNN은 Co.. 2020. 5. 25.
DL #2 : 딥러닝의 기본, 퍼셉트론 구조 및 활성화함수 (Perceptron, Activation Function) 인공지능 알고리즘 변화기존 입력 데이터와 알고리즘을 통해 출력데이터를 구하는 인공지능 알고리즘 구현 방식에서 입력 데이터와 출력 데이터를 통해 알고리즘을 구하는 방식으로 변화했습니다. 이러한 방식이 최근 의미있는 결과를 보이며, 많은 곳에서 활용되는 딥러닝 알고리즘의 접근 방식이 되겠습니다. 기존 : 입력 데이터 + 알고리즘 → 출력 데이터변화 : 입력 데티어 + 출력데이터 → 알고리즘 퍼셉트론 (Perceptron) 퍼셉트론은 신경망 초기 연구 과정에서 제안된 방식으로, 맥컬록-피츠 모델을 기반으로 한 기계학습 방법입니다. 퍼셉트론은 가장 간단한 구성의 신경망 구조이며, 입력되는 각 값에 가중치를 곱해 출력을 확인하는 알고리즘 입니다. 위 그림에서 x1, x2, x3는 입력 값, w1, w2, w3는 .. 2020. 5. 4.