[쉬운 딥러닝 책] 4장 2절 : 뇌세포를 모방한 기계, 퍼셉트론(perceptron)

《쉬운 딥러닝》과 함께 공부해요 : )

  [이론적 배경 1] 통계와 머신러닝

  [이론적 배경 2] 뇌세포를 모방한 기계, 퍼셉트론

  [이론적 배경 3] 활성화 함수

  [이론적 배경 4] 인공신경망과 딥러닝

---

★이 글은 《쉬운 딥러닝》을 발췌하여 작성되었습니다

---

2절 뇌세포를 모방한 기계, 퍼셉트론

 

1. 뉴런의 구조

인간의 뇌와 척수는 뉴런(신경세포)으로 구성되어 있습니다. 뉴런의 구조를 간략하게만 살펴보겠습니다.

아래 그림은 뉴런을 간략하게 표현한 것입니다. 뉴런은 크게 입력부와 출력부로 구분할 수 있습니다.

 

 

뉴런의 입력부는 외부 신호를 입력받는 역할을 수행합니다. 위 그림에서 수상돌기와 세포체가 입력부에 해당합니다. 입력부가 외부로부터 받은 자극이 역치(threshold) 이상이면 전기적 신호를 만들어 출력부로 전달합니다. 이 전기적 신호를 활동 전위(action potential)라고 부릅니다. 이때 입력받은 자극이 지나치게 작다면 뉴런은 그 신호를 무시합니다.

 

뉴런의 축삭과 축삭 말단이 출력부에 해당합니다. 전기적 신호가 축삭을 따라 축삭 말단 방향으로 전달되고, 축삭 말단에서는 아세틸콜린 등의 화학 물질을 분비합니다. 이때 입력받은 신호의 크기에 상관없이 전기적 신호의 크기와 분비되는 화학 물질의 양은 일정합니다.

 

2. 뉴런은 함수입니다

뉴런에는 입력이 있고 출력이 있습니다. 입력과 출력 사이에 규칙성도 있습니다. 따라서 뉴런은 함수입니다. 뉴런은 함수이므로 아래 그림과 같이 표현할 수도 있겠습니다. 그런데 뉴런이 함수라는 사실을 깨달은 수학자들이 과연 가만히 있었을까요? 절대 아닙니다. 수학자들은 뉴런을 수학적인 표현으로 나타내기 위해 많은 고민을 했습니다. 그중 가장 그럴싸하고 가장 널리 알려진 모델이 퍼셉트론(perceptron)입니다.

 

 

3. 퍼셉트론의 구조

퍼셉트론의 개념을 그림으로 표현하면 아래 그림과 같습니다. 신경세포의 수상돌기가 외부 자극을 입력받듯이 퍼셉트론 역시 다양한 데이터를 입력받습니다. 이때 퍼셉트론은 외부에서 들어오는 입력값에 가중치(weight)를 곱한 값을 모두 더하여 하나의 입력값으로 정돈합니다. 여기에서 가중치는 왜 곱해주는 것일까요? 인간의 뇌 속에서 일어나는 현상을 예시로 살펴보겠습니다

 

 

뇌 속의 신경들은 서로 얽힌 채로 정보를 주고받습니다. 아래 그림과 같이 사람의 뇌 속에 A, B, C 세 부위가 있다고 생각해 보겠습니다. A 부위에서 C 부위로 정보를 전달하는 뉴런은 10개고 B에서 C로 정보를 전달하는 뉴런은 50개입니다. 이때 C는 당연히 A보다 B 부위에서 입력되는 정보를 더욱 중요하게 처리할 것입니다.

 

가중치는 아래와 같은 현상을 모사(模寫)하기 위하여 도입된 개념입니다. 퍼셉트론은 여러 종류의 입력값에 영향을 받으며, 그 영향력의 크기가 바로 가중치입니다. 가중치가 큰 입력값은 퍼셉트론에 크게 영향을 미치고, 가중치가 작은 입력값은 퍼셉트론에 작은 영향을 미칩니다.

 

입력값에 가중치를 곱한 값을 모두 더하여 하나의 정돈된 통합 입력값 X를 만들었다면, 이제 이 X를 함수에 입력합니다. 이것이 바로 퍼셉트론의 구조이자 작동 원리입니다.

 

 

뉴런과 퍼셉트론의 작동 원리를 도식화하면 아래 그림과 같습니다. 양쪽 모두 자극을 입력받아 신호를 출력하는 함수입니다. 복잡한 개념입니다만, 상자 그림으로 표현하니 뉴런과 크게 다르지 않습니다.

 

 

 

★이 글은 《쉬운 딥러닝》을 발췌하여 작성되었습니다

---

《쉬운 딥러닝》과 함께 공부해요 : )

  [이론적 배경 1] 통계와 머신러닝

  [이론적 배경 2] 뇌세포를 모방한 기계, 퍼셉트론

  [이론적 배경 3] 활성화 함수

  [이론적 배경 4] 인공신경망과 딥러닝