신경망(NN)

신경망 이해

신경망은 서로 연결된 노드 또는 뉴런의 계층으로 구성됩니다. 이러한 계층에는 일반적으로 이미지의 픽셀 값이나 문장의 단어와 같은 원시 데이터를 수신하는 입력 계층, 계산을 통해 데이터를 처리하는 하나 이상의 숨겨진 계층, 분류 라벨이나 예측 값과 같은 최종 결과를 생성하는 출력 계층이 포함됩니다. 뉴런 사이의 각 연결에는 네트워크 계산에서 연결의 중요성을 나타내는 숫자 값인 '가중치'가 있습니다.

뉴런은 ReLU 또는 시그모이드와 같은 활성화 함수를 사용하여 결합된 입력을 처리하며, 이 함수는 다음 계층으로 전달할 출력 신호를 결정합니다. 네트워크는 훈련 과정에서 이러한 가중치를 조정하여 '학습'하며, 일반적으로 지도 학습 설정에서 레이블이 지정된 예시를 사용합니다. 경사 하강 및 역전파 알고리즘과 같은 알고리즘은 일반적으로 네트워크의 예측과 실제 목표 값의 차이를 측정하는 손실 함수를 최소화하기 위해 가중치를 반복적으로 조정하는 데 사용됩니다. 효과적인 모델 학습을 위해서는 모델 학습 팁과 같은 가이드에 설명된 신중한 하이퍼파라미터 조정과 전략이 필요한 경우가 많습니다.

딥 러닝(DL)을 사용하는 모델은 기본적으로 여러 개의 숨겨진 레이어(따라서 "심층")를 가진 NN입니다. 이러한 깊이 덕분에 대규모 데이터 세트에서 매우 복잡한 패턴과 계층적 특징을 학습할 수 있으므로 객체 감지 및 인스턴스 세분화와 같은 작업에 매우 효과적입니다. 수동 피처 엔지니어링이 필요할 수 있는 선형 회귀나 서포트 벡터 머신(SVM) 과 같은 단순한 ML 모델과 달리, NN은 이미지나 텍스트와 같은 원시 비정형 데이터에서 피처 추출을 자동으로 수행하는 데 탁월합니다.

신경망의 유형과 차이점

위에서 설명한 기본 구조가 일반적으로 적용되지만, 몇 가지 특화된 NN 아키텍처가 존재합니다:

• 컨볼루션 신경망(CNN): 이미지와 같은 격자형 데이터에 특히 효과적입니다. 컨볼루션 레이어를 사용하여 특징의 공간 계층 구조를 학습합니다. 많은 객체 감지 아키텍처가 CNN을 백본으로 활용합니다.
• 순환 신경망(RNN): 텍스트나 시계열과 같은 순차적 데이터를 위해 설계되었으며, 방향성 주기를 형성하는 연결을 통해 정보가 지속될 수 있도록 하는 것이 특징입니다. LSTM과 같은 변형이 일반적입니다.
• 트랜스포머: 처음에는 NLP 작업을 위해 개발되었으며, 자기 주의 메커니즘에 크게 의존하며 시각을 포함한 다양한 영역에서 놀라운 성능을 보여주었습니다(Vision Transformer(ViT)).

NN은 의사 결정 트리나 k-최근접 이웃(KNN)과 같은 기존 알고리즘과는 크게 다른 원리로 작동하며, 광범위한 전처리 없이 이미지와 같은 고차원의 복잡한 데이터에 적합하지 않은 경우가 많습니다.

신경망의 응용

신경망은 매우 다재다능하며 다양한 영역에 적용되고 있습니다. 다음은 두 가지 주요 예시입니다:

1. 컴퓨터 비전(CV): NN, 특히 CNN은 CV의 주요 발전의 원동력입니다. 사용 용도

   • 이미지 분류: 전체 이미지에 라벨을 할당합니다(예: 고양이 또는 개 식별).
   • 개체 감지: 다음과 같이 경계 상자를 사용하여 이미지 내에서 객체를 식별하고 위치를 파악합니다. Ultralytics YOLO 모델과 같은 YOLO11. 이는 자율 주행 자동차의 AI 및 AI 기반 재고 관리와 같은 애플리케이션에 매우 중요합니다.
   • 이미지 세분화: 이미지의 각 픽셀을 분류하여 의료 이미지 분석과 같은 작업에서 상세한 장면을 이해할 수 있도록 합니다. Ultralytics 설명서를 통해 세분화 작업에 대해 알아보세요.

2. 자연어 처리(NLP): RNN과 트랜스포머를 포함한 NN은 기계가 인간의 언어를 이해하고 생성하는 방식을 혁신적으로 변화시켰습니다. 적용 분야는 다음과 같습니다:

   • 기계 번역: 한 언어에서 다른 언어로 텍스트를 자동으로 번역하는 기능(예: Google 번역).
   • 감정 분석: 텍스트의 감정 어조(긍정, 부정, 중립)를 파악합니다.
   • 텍스트 생성: 인간과 유사한 텍스트를 생성하여 BERT 및 GPT 모델과 같은 모델을 기반으로 챗봇과 콘텐츠 제작 도구를 강화합니다.

도구 및 프레임워크

다양하고 강력한 딥 러닝 도구와 프레임워크를 통해 NN을 개발하고 배포할 수 있습니다:

• 라이브러리: 다음과 같은 프레임워크 PyTorch 및 TensorFlow 과 같은 프레임워크는 NN 훈련에 필요한 핵심 구성 요소와 자동 차별화 기능을 제공합니다. Keras는 TensorFlow 함께 자주 사용되는 높은 수준의 API를 제공합니다.
• 플랫폼: Ultralytics HUB는 YOLO 모델 학습, 데이터 세트 관리, 모델 배포 프로세스 간소화를 위한 플랫폼을 제공합니다.
• 모델: 모델: 사전 학습된 모델과 같은 Ultralytics YOLO 제품군과 같은 사전 학습된 모델은 다양한 CV 작업을 위한 강력한 출발점을 제공하며, 특정 데이터 세트에 대한 미세 조정만 필요한 경우가 많습니다. 다양한 YOLO 모델 간의 비교는 설명서에서 확인할 수 있습니다.

NN은 의료 분야의 AI부터 농업 분야의 AI에 이르기까지 다양한 산업에 걸쳐 수많은 첨단 솔루션의 토대를 형성하기 때문에 AI 또는 ML 분야에서 일하는 사람이라면 누구나 NN을 이해하는 것이 중요합니다.