신경망(NN)

신경망(NN)은 인간 두뇌의 구조와 기능에서 영감을 받은 계산 모델입니다. 이는 대부분의 딥 러닝(DL) 모델의 중추를 형성하며 현대 인공 지능(AI)의 기본 개념입니다. NN은 노드 또는 "뉴런"의 상호 연결된 레이어를 통해 정보를 처리하여 데이터의 패턴을 인식하도록 설계되었습니다. 이 구조를 통해 방대한 양의 데이터에서 학습할 수 있으므로 이미지 인식 및 자연어 처리(NLP)와 같은 복잡한 작업에 매우 강력합니다.

신경망은 어떻게 작동하나요?

신경망은 입력 계층, 하나 이상의 은닉 계층, 출력 계층의 세 가지 주요 유형의 계층으로 구성됩니다. 각 계층은 후속 계층의 뉴런에 연결된 뉴런을 포함합니다.

1. 입력 레이어: 이 레이어는 이미지의 픽셀 또는 문장의 단어와 같은 초기 데이터를 수신합니다.
2. Hidden Layers: 이는 입력과 출력 사이의 중간 레이어입니다. 대부분의 계산이 여기서 발생합니다. 각 뉴런은 입력에 수학적 변환을 적용하며, 여기에는 모델 가중치 학습과 출력을 결정하기 위한 활성화 함수(예: ReLU 또는 Sigmoid)가 포함됩니다. 여러 개의 은닉층이 있는 네트워크를 "심층" 신경망이라고 합니다.
3. Output Layer: 이 최종 레이어는 분류 레이블 또는 예측 값과 같은 결과를 생성합니다.

학습 과정(훈련이라고 함)은 네트워크에 대량의 데이터 세트를 제공하는 것을 포함합니다. 네트워크는 예측을 수행하고 실제 결과와 비교한 다음 손실 함수를 사용하여 오류를 계산합니다. 그런 다음 역전파라는 알고리즘을 사용하여 연결 가중치를 조정하여 여러 번의 반복 또는 에포크에 걸쳐 이 오류를 최소화합니다. 이 과정은 Adam과 같은 최적화 알고리즘에 의해 안내됩니다.

신경망과 관련 개념 비교

신경망(NN)을 다른 관련 용어와 구별하는 것이 중요합니다.

• 머신 러닝 vs. 신경망: 머신 러닝(ML)은 AI의 광범위한 분야이며, NN은 ML 모델의 한 유형일 뿐입니다. 다른 ML 모델에는 계층화된 뉴런 아키텍처를 사용하지 않는 의사 결정 트리 및 서포트 벡터 머신(SVM)이 있습니다.
• 딥 러닝 vs. 신경망(Deep Learning vs. Neural Networks): 딥 러닝은 특히 심층 신경망(숨겨진 레이어가 많은 NN)을 사용하는 ML의 하위 분야입니다. 따라서 모든 딥 러닝 시스템은 NN을 기반으로 하지만 숨겨진 레이어가 하나만 있는 간단한 NN은 "심층"으로 간주되지 않을 수 있습니다.

신경망의 유형 및 응용 분야

신경망은 매우 다재다능하며 다양한 특수 아키텍처로 적용되었습니다. 다음은 두 가지 주요 예입니다.

1. 컴퓨터 비전(CV): 합성곱 신경망(CNN)은 컴퓨터 비전에서 가장 지배적인 기술입니다.

   • 객체 탐지(Object Detection): Ultralytics YOLO11과 같은 모델은 CNN을 사용하여 바운딩 박스(bounding boxes)를 통해 이미지 내의 객체를 식별하고 위치를 찾습니다. 이는 자율 주행 자동차의 AI 및 AI 기반 재고 관리와 같은 애플리케이션에 매우 중요합니다.
   • 이미지 분할(Image Segmentation): NN은 이미지의 각 픽셀을 분류하여 의료 영상 분석(Medical image analysis)과 같은 작업을 위한 자세한 장면 이해를 가능하게 할 수 있습니다. Ultralytics 문서를 통해 분할 작업을 살펴볼 수 있습니다.

2. 자연어 처리(NLP): 순환 신경망(RNN) 및 Transformer를 포함한 NN은 기계가 언어를 처리하는 방식에 혁명을 일으켰습니다.

   • 기계 번역: Google 번역과 같은 서비스는 복잡한 신경망을 사용하여 언어 간 텍스트를 놀라운 정확도로 자동 번역합니다.
   • 감성 분석: 기업은 IBM의 감성 분석 개요에서 설명한 대로 고객 리뷰 및 소셜 미디어 댓글을 분석하여 감정적 어조(긍정적, 부정적 또는 중립적)를 파악하기 위해 신경망을 사용합니다.

도구 및 프레임워크

강력한 도구와 프레임워크 덕분에 NN 개발이 더욱 쉬워졌습니다.

• 라이브러리: PyTorch 및 TensorFlow와 같은 프레임워크는 NN을 생성하고 훈련하는 데 필수적인 빌딩 블록을 제공합니다. 공식 PyTorch 및 TensorFlow 웹사이트에서 자세히 알아볼 수 있습니다.
• 플랫폼: Ultralytics HUB는 YOLO 모델 훈련, 데이터세트 관리 및 모델 배포 프로세스 간소화를 위한 통합 플랫폼을 제공합니다.
• 사전 훈련된 모델: 많은 연구원과 개발자가 Hugging Face 또는 Ultralytics 생태계와 같은 허브에서 제공되는 사전 훈련된 모델로 시작합니다. 이러한 모델은 특정 데이터 세트에서 미세 조정만 필요로 하는 경우가 많아 상당한 시간과 컴퓨팅 리소스를 절약할 수 있습니다. 당사 문서에서 다양한 YOLO 모델 간의 비교를 확인할 수 있습니다.