신경망(NN)

신경망(NN)은 인간 두뇌의 구조와 기능에서 영감을 얻은 계산 모델입니다. 대부분의 딥러닝(DL) 모델의 근간을 형성하며 최신 인공 지능(AI)의 기본 개념입니다. NN은 상호 연결된 노드 레이어, 즉 "뉴런"을 통해 정보를 처리하여 데이터의 패턴을 인식하도록 설계되었습니다. 이러한 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 숨겨진 계층, 출력 계층의 세 가지 주요 유형의 계층으로 구성됩니다. 각 레이어에는 다음 레이어의 뉴런에 연결된 뉴런이 포함되어 있습니다.

1. 입력 레이어: 이 레이어는 이미지의 픽셀이나 문장의 단어와 같은 초기 데이터를 수신합니다.
2. 숨겨진 레이어: 입력과 출력 사이의 중간 레이어입니다. 대부분의 연산이 이루어지는 곳입니다. 각 뉴런은 입력에 수학적 변환을 적용하며, 여기에는 모델 가중치 학습과 ReLU 또는 시그모이드와 같은 활성화 함수가 포함되어 출력을 결정합니다. 숨겨진 레이어가 여러 개 있는 네트워크를 "심층" 신경망이라고 합니다.
3. 출력 레이어: 이 최종 레이어는 분류 레이블 또는 예측 값과 같은 결과를 생성합니다.

학습이라고 하는 학습 과정에는 네트워크에 대규모 데이터 세트를 공급하는 것이 포함됩니다. 네트워크는 예측을 하고 실제 결과와 비교한 다음 손실 함수를 사용하여 오류를 계산합니다. 그런 다음 역전파라는 알고리즘을 사용하여 연결의 가중치를 조정하여 여러 반복, 즉 에포크에 걸쳐 이 오차를 최소화합니다. 이 프로세스는 아담과 같은 최적화 알고리즘에 의해 안내됩니다.

신경망과 관련 개념 비교

NN을 다른 관련 용어와 구별하는 것이 중요합니다:

• 머신 러닝과 신경망 비교: 머신러닝(ML) 은 광범위한 AI 분야이며, NN은 ML 모델의 한 유형에 불과합니다. 다른 ML 모델로는 계층형 뉴런 아키텍처를 사용하지 않는 의사 결정 트리와 서포트 벡터 머신(SVM)이 있습니다.
• 딥 러닝과 신경망 비교: 딥러닝은 특히 많은 숨겨진 레이어를 가진 심층 신경망(심층 신경망-NN)을 사용하는 ML의 하위 분야입니다. 따라서 모든 딥 러닝 시스템은 NN을 기반으로 하지만 숨겨진 계층이 하나뿐인 단순한 NN은 "딥"으로 간주되지 않을 수 있습니다.

신경망의 유형과 응용

신경망은 매우 다재다능하며 다양한 전문 아키텍처에 적용되어 왔습니다. 다음은 두 가지 주요 예시입니다:

1. 컴퓨터 비전(CV): 컨볼루션 신경망(CNN) 은 컴퓨터 비전의 지배적인 기술입니다.

   • 물체 감지: Ultralytics YOLO11과 같은 모델은 CNN을 사용하여 바운딩 박스를 사용하여 이미지 내에서 물체를 식별하고 위치를 파악합니다. 이는 자율 주행 자동차의 AI 및 AI 기반 재고 관리와 같은 애플리케이션에 매우 중요합니다.
   • 이미지 세분화: NN은 이미지의 각 픽셀을 분류하여 의료 이미지 분석과 같은 작업에서 상세한 장면을 이해할 수 있도록 합니다. Ultralytics 문서에서 세분화 작업을 살펴볼 수 있습니다.

2. 자연어 처리(NLP): 순환 신경망(RNN) 과 트랜스포머를 포함한 NN은 기계가 언어를 처리하는 방식을 혁신적으로 변화시켰습니다.

   • 기계 번역: Google 번역과 같은 서비스는 복잡한 인공신경망을 사용하여 언어 간 텍스트를 놀라운 정확도로 자동 번역합니다.
   • 감정 분석: 기업에서는 NN을 사용하여 고객 리뷰와 소셜 미디어 댓글을 분석하여 감정 어조(긍정, 부정 또는 중립)를 결정하는데, 이 IBM의 감정 분석 개요에서 설명합니다.

도구 및 프레임워크

강력한 도구와 프레임워크를 통해 NN을 쉽게 개발할 수 있습니다.

• 라이브러리: PyTorch 및 TensorFlow와 같은 프레임워크는 NN을 생성하고 훈련하는 데 필수적인 빌딩 블록을 제공합니다. 자세한 내용은 PyTorch 및 TensorFlow 공식 웹사이트에서 확인할 수 있습니다.
• 플랫폼: Ultralytics HUB는 YOLO 모델 학습, 데이터 세트 관리, 모델 배포 프로세스 간소화를 위한 통합 플랫폼을 제공합니다.
• 사전 학습된 모델: 많은 연구자와 개발자는 Hugging Face와 같은 허브나 Ultralytics 에코시스템 내에서 제공되는 사전 학습된 모델로 시작합니다. 이러한 모델은 특정 데이터 세트에 대한 미세 조정만 필요한 경우가 많기 때문에 상당한 시간과 계산 리소스를 절약할 수 있습니다. 다양한 YOLO 모델 간의 비교는 설명서에서 확인할 수 있습니다.