피드포워드 신경망

피드포워드 신경망은 가장 단순한 유형의 인공 신경망입니다. 이 구조에서는 데이터가 입력층에서 출력층으로 한 방향으로 흐르며 되돌아가지 않습니다.

피드포워드 신경망의 구조

피드포워드 네트워크는 다음으로 구성됩니다:

• 입력층: 원시 데이터를 받습니다.
• 은닉층: 계산을 수행하고 특성을 추출합니다.
• 출력층: 최종 결과를 생성합니다.

각 층은 다음 층과 완전히 연결됩니다.

순전파

순전파는 네트워크를 통해 데이터를 전달하는 과정입니다:

1. 입력값에 가중치를 곱하고 편향을 더합니다.
2. 비선형성을 부여하기 위해 활성화 함수를 적용합니다.
3. 출력을 계산하여 다음 층으로 전달합니다.

간단한 피드포워드 네트워크 만들기

파이썬을 사용해 간단한 피드포워드 네트워크를 만들어 보겠습니다. 네트워크는 다음과 같이 구성됩니다:

• 입력 뉴런 2개
• 뉴런 3개로 구성된 은닉층 1개
• 출력 뉴런 1개

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

피드포워드 신경망 학습

학습은 오차를 최소화하도록 가중치와 편향을 조정하는 과정입니다:

1. 오차를 계산합니다(예측값과 실제값의 차이).
2. 경사 하강법과 같은 최적화 알고리즘을 사용해 가중치를 갱신합니다.
3. 여러 번의 반복(에포크)에 걸쳐 이 과정을 반복합니다.

피드포워드 네트워크의 장점

피드포워드 네트워크는 다음과 같은 특징이 있습니다:

• 구현이 간단하고 쉽습니다.
• 회귀와 기본 분류 같은 작업에 효과적입니다.
• 작은 데이터셋에서 계산 효율이 높습니다.

피드포워드 네트워크의 한계

피드포워드 네트워크에는 다음과 같은 단점이 있습니다:

• 순차 데이터를 기억하는 능력이 부족합니다.
• 학습 데이터가 적으면 과적합되기 쉽습니다.
• 학습률과 같은 하이퍼파라미터를 신중하게 조정해야 합니다.

실제 활용 사례

피드포워드 네트워크는 다음과 같은 분야에 사용됩니다:

• 의료 진단: 증상을 바탕으로 질병을 예측합니다.
• 사기 탐지: 금융 거래에서 의심스러운 활동을 식별합니다.
• 주가 예측: 미래의 주식 가치를 추정합니다.

요약 및 다음 단계

이 단원에서는 다음을 학습했습니다:

• 피드포워드 신경망의 구조와 작동 방식을 살펴보았습니다.
• 파이썬을 사용해 간단한 피드포워드 네트워크를 만들었습니다.
• 이 구조의 장점과 한계를 논의했습니다.

다음으로 가중치와 편향을 최적화해 신경망이 효과적으로 학습할 수 있게 하는 역전파 알고리즘을 자세히 살펴봅니다.