퍼셉트론(Perceptron) - 인공지능(AI), 머신(ML), 딥러닝(DL) 파헤치기 - 5부

인공지능을 출발해서 머신러닝, 딥러닝의 개념을 아주 조금 살펴봤고 바로 전 글에서는 인공신경망에 대해서 알아보았다. 이렇게 숲을 보았으니 이제는 차근차근 나무를 들여다볼 차례인 것 같다. 그 처음이 바로 퍼셉트론(Perceptron)이다.

인공지능(AI) 파헤치기 - 딥러닝과 인공신경망. 4부

 

전 글에서 잠깐 언급했지만 퍼셉트론은 지도학습(supervised learning)의 이진 분류(binary classifier)에 사용되는 알고리즘이다. 여기서 지도학습이란 우리가 컴퓨터에게 강아지 사진을 학습시키며 이건 '강아지'라고 알려주는 학습법을 말한다. 즉, 우리가 수많은 강아지 사진을 '강아지' 라고 학습시키면 컴퓨터는 알아서 강아지다 VS 아니다 를 판별하게 되는데 이때 사용하는 알고리즘이 바로 퍼셉트론이라는 것이다.

출처 : https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53

자 그러면 여기서 질문!

우리가 사는 세상을 O, X 로만 판별할 수 있을까?

 

누구나 절대 불가능하다는 것을 안다. 즉, 퍼셉트론에는 한계가 있다. 그래서 이 퍼센트론을 여러 단계로 합쳐서 사용하는데 이것이 바로 인공신경망(ANN)이다.(위 그림 참고) 그러면 퍼셉트론 자체는 단층 신경망(single-layer neural network)이라고 할 수 있다.

 

이 퍼셉트론을 조금 더 자세히 들여다 보기 전에 맨 처음에 나왔던 "우리가 수많은 강아지 사진을 '강아지' 라고 학습시키면 컴퓨터는 알아서 강아지다 VS 아니다 를 판별 ~ 알고리즘"이라는 문구를 다시 한번 봐 보자. 이 말을 다시 말하면 학습을 여러 번 시키다 보니 확률적으로 판별 정확률이 올라갔다는 것이다. 즉, 통계를 이용하여 판단 결과를 낸다는 것이다.

 

통계를 이용하여 판단한 결과를 낼 때에는 흔히 가중치를 부여하게 된다. 단순한 예로 이해해보자.

 

고속도로에서는 과속을 단속할 때 구간으로 체크한다. 해당 구간에서 속도의 평균이 100km/h를 넘으면 단속이라고 하자.
A지점에서 B지점까지 속도가 90 ~> 120 ~> 90으로 변했다고 하자. 그러면 대략 ((90+120)/2 + (120+90)/2)/2 = 105km/h가 나온다. 그런데 이 차량은 단속에 걸리지 않았다.

왜 그럴까?

 

바로 시간! 이라는 가중치가 있었기 때문이다. 90(4분) ~> 120(2분) ~> 90(4분) 이라고 한다면 ((90*4)+(120*2)+(90*4))/10 = 96km/h가 나오게 된다. 이렇게 우리는 무엇인가 판단할 때는 단순한 통계가 아닌 그 통계에 가중치라는 것을 부과한다. 우리가 사진을 보고 강아지라고 판단했다면 그 이유는 특정 부분이 더 강아지 같았기 때문(=가중치를 두었다)이다.

 

그래서 퍼셉트론에는 가중치가 필요하다. 또한 정확도를 높이기 위해(오차를 줄이기 위해) 미세하게 조절이 필요하다.

결과적으로 퍼셉트론은 아래의 수식으로 나타낼 수 있다.

F(x) = w*x + b, (w : 가중치, b : 편향, 미세조정, x :  입력값)
이 입력값이 수없이 많다면 시그마로 나타낼 수 있다.
ΣF(x) = Σw*x+b

위의 수식의 결과가 역치(임계)값을 넘으면 O, 아니면 X가 되는 것이다. 이 때 바로 O, X를 판별하는 것이 활성화 함수(activation function)이다. 아래 그림에서 Step Functon이 바로 활성화 함수이다.

 

퍼셉트론 구조, 출처 : https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53

이렇게 퍼셉트론은 입력, 가중치와 편향, 합, 활성화함수 이렇게 4개로 구성되어 있는 것을 확인할 수 있다. 그러면 다음에는 활성화 함수에 대해서 좀 더 자세히 알아보자.