신경망(NN)

신경망(NN)은 상호 연결된 노드로 구성된 계산 모델로, 인간의 두뇌 구조를 모방하여 정보를 처리합니다. 정보를 처리하는 상호 연결된 노드로 구성된 계산 모델입니다. 현대의 인공 지능(AI)의 초석인 이 네트워크는 데이터로부터 학습하여 패턴을 인식하고 정보를 classify 결과를 예측할 수 있습니다. 반면 머신러닝(ML)의 하위 집합입니다, 신경망은 복잡하고 비선형적인 관계를 모델링하는 능력으로 차별화되며, 다음과 같은 획기적인 기술의 다음과 같은 획기적인 기술의 엔진 제너레이티브 AI 및 자율 시스템. 더 읽어볼 수 있습니다. 생물학적 영감에 대한 자세한 내용은 신경망 개요에서 자세히 알아보세요.

신경망의 아키텍처

신경망의 구조는 인공 뉴런이라고도 하는 노드 레이어로 구성됩니다. 이러한 레이어는 일련의 수학적 변환을 통해 입력에서 출력으로 데이터의 흐름을 원활하게 합니다.

• 입력 레이어: 입력 레이어: 네트워크가 이미지의 픽셀 값과 같은 원시 이미지의 픽셀 값이나 데이터 세트의 숫자 특징과 같은 또는 데이터 세트의 숫자 특징과 같은 원시 학습 데이터를 받는 시작점입니다.
• 숨겨진 레이어: 입력과 출력 사이에 위치한 이 레이어는 대부분의 계산을 수행합니다. 계산을 수행합니다. 숨겨진 레이어의 각 뉴런은 수신하는 입력에 대해 모델 가중치와 편향을 적용합니다. 뉴런이 신호를 '발사'할 것인지 아니면 앞으로 전달할 것인지 결정하기 위해 활성화 함수(예 ReLU 또는 시그모이드와같은 활성화 함수가적용됩니다.
• 출력 레이어: 최종 계층은 분류 레이블(예: "고양이 대 개") 또는 연속 값과 같은 네트워크의 예측을 생성합니다. (예: "고양이" 대 "개") 또는 연속형 값과 같은 예측을 생성합니다.

네트워크는 '학습'을 위해 다음과 같은 프로세스를 사용합니다. 모델 트레이닝이라는 프로세스를 사용합니다. 학습하는 동안 네트워크는 예측을 실제 정답과 비교합니다. 손실 함수를 사용합니다. 그런 다음 역전파라는 알고리즘이 오류 기울기를 계산합니다, 그리고 다음과 같은 최적화 알고리즘 확률적 경사 하강(SGD) 또는 Adam 여러 시대에 걸쳐 오류를 최소화하기 위해 가중치를 조정합니다. 가중치를 조정합니다.

신경망 대 딥러닝

신경망을 다음과 혼동하는 경우가 많습니다. 딥러닝(DL)과 혼동하는 경우가 많습니다. 주요 차이점은 다음과 같습니다. 복잡성과 깊이. "얕은" 신경망은 숨겨진 레이어가 하나 또는 두 개에 불과할 수 있습니다. 이와는 대조적으로, 딥 학습은 숨겨진 레이어가 많은 "심층" 신경망을 포함하므로 모델이 계층적 기능을 자동으로 학습할 수 있습니다. 기능을 자동으로 학습할 수 있습니다. 이 차이점에 대해 더 자세히 알아보려면 다음을 참조하세요. 딥 러닝에 대한 설명을 참조하세요. 실제로 모든 딥 러닝 모델은 신경망이지만 모든 신경망이 딥 러닝에 해당되는 것은 아닙니다.

실제 애플리케이션

신경망은 이전에는 사람의 지능이 필요했던 작업을 자동화하여 거의 모든 산업에서 혁신을 주도합니다. 자동화함으로써 거의 모든 산업에서 혁신을 주도합니다.

1. 컴퓨터 비전: 분야 컴퓨터 비전(CV), 전문 네트워크 이라는 컨볼루션 신경망(CNN) 이라는 특수 네트워크가 시각적 데이터를 분석하는 데 사용됩니다. 예를 들어 Ultralytics YOLO11 은 딥 CNN 아키텍처를 활용하여 실시간 객체 감지를 위해 심층적인 CNN 아키텍처를 활용하여 다양한 애플리케이션 농작물 모니터링을 위한 농업 분야의 AI 자율주행 차량의 안전 기능에 이르기까지 다양한 애플리케이션을 지원합니다.
2. 자연어 처리: 텍스트와 음성을 포함하는 작업의 경우 다음과 같은 아키텍처가 사용됩니다. 순환 신경망(RNN) 및 트랜스포머와 같은 아키텍처가 지배적입니다. 이러한 네트워크는 기계 번역 서비스 및 챗봇의 문맥과 순서를 이해합니다. 이러한 모델이 산업에 어떤 영향을 미치는지 이 문서에서 확인할 수 있습니다. 의료 분야의 AI에 대한 기사에서 이러한 모델이 산업에 어떤 영향을 미치는지 확인할 수 있습니다 . 의료 기록을 전사하고 환자 기록을 분석하는 데 도움을 줍니다.

구현 예시

최신 프레임워크를 사용하면 신경망을 쉽게 배포할 수 있습니다. 다음 Python 코드는 미리 학습된 신경망(특히 YOLO11)을 로드하고 사전 학습된 신경망(특히 YOLO11)을 로드하고 이미지에 대한 추론을 실행하는 방법을 보여줍니다. ultralytics 패키지입니다.

from ultralytics import YOLO

# Load a pretrained YOLO11 neural network model
model = YOLO("yolo11n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

도구 및 생태계

신경망을 구축하려면 강력한 소프트웨어 라이브러리가 필요합니다. PyTorch 와 TensorFlow 은 가장 인기 있는 두 가지 오픈소스 프레임워크로, 사용자 지정 아키텍처 설계 및 활용을 위한 광범위한 지원을 제공합니다. 더 빠른 학습을 위한 GPU 가속화를 제공합니다. 간소화된 환경을 원하는 분들을 위해 2026년에 정식 출시되는 Ultralytics 플랫폼 ( Ultralytics Platform ) 은 데이터 세트 관리를 위한 포괄적인 환경을 제공합니다, YOLO11 같은 모델을 훈련하고 배포를 처리할 수 있는 포괄적인 환경을 제공합니다. 이러한 네트워크를 구동하는 하드웨어를 이해하려면 다음을 확인하세요. NVIDIA GPU 컴퓨팅 가이드를 확인하세요.