기본 콘텐츠로 건너뛰기

[Deep Learning-딥러닝]딥러닝 정의 및 구조 설명


인공지능 기계학습 딥러닝

  • 인공지능: 기계가 사람의 행동을 모방하게 하는 기술을 연구하는 분야
  • 기계학습: 개발자가 일일이 코드로 명시하지 않고, 데이터로 부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구 분야
  • 딥러닝: 기계학습의 한 분야로 인공 신경망에 기반하여, 많은 데이터를 학습해 뛰어난 성능을 도출하는 연구 분야

인공신경망 구조

사람의 신경 세포에서 착안한 방법입니다. 생물학적인 신경 세포를 단순화하여 모델링 하였습니다. 여러 신호를  받아 가중치를 곱하고, 모두 합하여 하나의 신호를 만들어서 전달합니다. 출력 전에 활성 함수(activation function)을 통해 비선형 특성을 가할 수 있습니다.

노드(뉴런) 집합을 계층으라 하며, 이전 계층과 모든 뉴런이 연결된 상태를 FC(Fully-Connected) Layer(Dense Layer)라고 합니다.

 딥러닝 특징

기계 학습에서는 특징 추출기 부분은 사람이 수행합니다. 기계는 분류기 부분만 수행합니다. 반면 딥러닝에서는 특징 추출 및 분류 모두 기계가 수행합니다. 즉, 사람의 Intend(의지, 생각)이 개입이 안 됩니다.

딥러닝 응용 분야


딥러닝 학습 및 테스트 방법

학습 단계

  • 학습 데이터셋을 입력으로 넣고 예측값을 출력합니다. 
  • 손실함수를 이용해 예측값과 정답과 비교해 오차를 구합니다.
  • 최적화 기법을 이용해서 오차가 최소가 되도록 네트워크를 개선합니다.

테스트 단계

  • 테이트 데이터셋을 넣고 출력값을 평가 지표로 평가 수행하여 네트워크 수준을 측정합니다.
감사합니다.

Reference

- Fastcampus

라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file.  tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다.  설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...
댓글 쓰기
자세한 내용 보기

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...
댓글 쓰기
자세한 내용 보기

Sentencepiece를 이용하여 Korean wiki data Vocab(단어집합) 만들기/생성

대학원 논문으로 XMLR을 이용하여 기계학습을  연구 중 입니다. 수치를 조금이라도 올리고 싶어 제공된 Vocab이 아닌 한글 위주의 Vocab을 만들어 학습 결과를 확인하기 위해 KorWiki를 이용해 Vocab을 만들어 보겠습니다. XMLR의 Vocab은 Sentencepiece로 생성됩니다. Sentencepiece를 Korean wiki data를 Vocab(단어집합)을 만들어 보겠습니다. 1. training data(Corpus) 수집  위키피디아는 정기적으로 덤프 파일로 릴리즈 한다. 다음 사이트에서 다운로드 할 수 있습니다. Korean wiki download site 메인화면: https://ko.wikipedia.org/wiki/%EC%9C%84%ED%82%A4%EB%B0%B1%EA%B3%BC:%EB%8D%B0%EC%9D%B4%ED%84%B0%EB%B2%A0%EC%9D%B4%EC%8A%A4_%EB%8B%A4%EC%9A%B4%EB%A1%9C%EB%93%9C 다운로드: https://dumps.wikimedia.org/kowiki/ 다운로드에 접속하면 날짜별로 리스트되어 있습니다. 안으로 들어가면 여러 파일이 있습니다. 메인화면에 들어가면 파일 용도를 확인할 수 있습니다. 내용은 다음과 같습니다. pages-articles.xml.bz2 - 일반 문서의 최신 버전만이 묶여 있고, 전체 편집 역사는 들어있지 않습니다. 대부분의 이용자는 이 파일을 이용하면 됩니다. pages-current.xml.bz2 - 모든 문서의 최신 버전이 묶여 있습니다. pages-full.xml.bz2/7z - 모든 문서(토론 포함)의 최신 버전이 묶여 있습니다. pages-meta-history.xml.bz2 - 모든 문서의 모든 편집 내역이 묶여 있습니다. pages-logging.xml.gz - 모든 문서와 사용자에 대한 행위 기록이 묶여 있습니다. abstract.xml.gz - 문서 요약이 묶여 있습니다. al...
댓글 쓰기
자세한 내용 보기