Frank Rosenblatt가 인간 두뇌의 뉴런을 계산모델로서 퍼셉트론(Perceptron)이라는 개념을 제시함.
그는 퍼셉트론이 간단한 함수, 최근에 우리가 부르는 이진분류(Binary Classification)를 학습할 수 있음을 보여주었음.
하나의 층의 퍼셉트론은 최근에 이야기 되는 뉴럴 네트워크의 가장 간단한 형태의 신경망으로 볼 수 있음.

퍼셉트론에서 단일 계층에 입력되는 인풋과 가중합이 수행되며, 이 가중합은 뉴런 안에 내재된 활성함수(Activation Function)를 통과하게 됩니다. 이 때 활성함수가 반환한 것을 임계값과 비교하여 각 데이터가 속하는 클래스를 결정.

오류는 집계되어 합계를 구하는데 사용되는 가중치를 변경하며, 프로세스는 결과가 수렴할 때까지 계속 반복함.

인간 두뇌의 가장 기본적인 단위는 뉴런으로 뉴럴네트워크는 서로 다른 패턴과 구조로 연결된 뉴런들의 집합임.
위의 그림은 뉴런의 구조를 나타낸 것.

  • Dendrite : 입력 신호(외부자극)을 수신하는 부분
  • Nucleus : 수용된 여러개의 외부 자극을 새로운 자극으로 가공
  • Axon : 새로운 자극이 myelin sheath의 보조를 받아 Axon을 거쳐 여러 가닥으로 송출됨. 이 때 각 가닥은 다른 뉴런의 Dendrite와 연결되어 있음.

이 그림은 뉴런을 수학적으로 나타낸 그림으로 위에 제시된 뉴런의 색과 매칭해보면
인풋이 입력되서 아웃풋으로 송출되기까지의 과정을 알 수 있음

여러 인풋들이 입력되어 가중치를 곱하고 합해집니다. 그 이후 이 값을 임계값과 비교하여 활성함수에 의해 변형됨.
정해진 임계치와 비교해서 값이 의미가 있으면 활성화되고, 아니면 활성화되지 못함.

좋은 아이디어이지만 이 퍼셉트론은 XOR함수같은 복잡한 함수를 모델링하지는 못함.
때문에 처음에는 퍼셉트론 개념이 잘 받아들여지지 않았지만,
후에는 인공신경만, 딥러닝 모델링을 위한 기본 단위로 활용됨.

+ Recent posts