신경망 이해부터 시작하자.

많은 분들이 알고 계시듯이 요즘 AI 업계에서 많이 유행하고 있는 모델들은 딥러닝 계열입니다.
지난 글에서 말씀드린 것처럼 딥러닝은 예전의 신경망 모델을 기반으로 개선, 확장된 모델입니다.
따라서 현재 많이 사용되고 있는 딥러닝 계열의 모델들을 이해하기 위해서는 신경망에 대한 이해가 우선되어야 합니다.
딥러닝 모델에서 가장 기초가 되는 모델은 DNN(Deep Neural Network, 심층신경망)이라고 할 수 있습니다.

 

 

 

 

그럼 이번 글에서는 신경망에 대한 기초 지식을 간단하게 살펴보도록 하겠습니다.
실제의 신경망과 구분하기 위하여 인공신경망, Artificial Neural Network이라고 주로 표현을 합니다.

먼저 인공신경망이라고 하는 것은 동물의 신경세포, 특히 뇌를 구성하고 있는 신경세포의 형태와 동작을 극도로 단순화 시킨 뉴런 모델을 다수 연결하여 망, 즉 네트워크를 만든 것입니다.
다음의 그림은 신경세포 간의 입, 출력 흐름을 표시하고 있습니다.

 

신경세포의 구조와 신경세포 간의 입,출력 흐름

이와 같은 네트워크에서 각 노드가 되는 세포체는 전기로 된 수많은 입력 신호를 수상돌기를 통해 전달 받습니다.
그리고 전달된 신호의 총 합이 특정 값을 넘어서게 되면 새로운 전기신호를 발생시키고 이 신호는 축삭을 통해 출력되어 다음 세포체의 입력신호가 됩니다.
이 과정이 수없이 반복되며 뇌에서의 신호 처리가 이루어 지는 것입니다.

이러한 신호처리 과정과 세포체의 역할을 단순화하여 설계된 뉴런 모델의 형태가 다음의 그림에 나타나 있습니다.
많이 익숙한 그림일 것입니다.

 

뉴런 모델의 형태

출력신호를 전달하는 축삭의 말단부분과 입력신호를 전달받는 수상돌기 사이에 있는 시냅스를 통해서 전기적인 신호를 전달하고, 해당하는 기능과 구조를 모델링하였지만, 실제 신경세포는 전기신호만을 전달하는 것이 아닙니다.
어떤 패턴의 입력 신호인가에 따라서 출력 시에는 서로 다른 화학물질을 분비하고 해당 화학물질 간의 작용에 따라 전기신호가 발생 또는 증폭되어 전달되고 있으며 화학물질의 종류에 따라 신경세포의 반응도 다르게 일어납니다.
이러한 신경전달물질의 종류도 여러 개이며 입력 신호의 패턴에 따라 각각 상이한 동작을 하기 때문에 실제로는 매우 복잡한 처리가 일어나고 있습니다.
그래서 흔히 알려져있는 뉴런의 구조는 극도로 단순화 된 모델이라고 말씀드리는 것입니다.

일단은 이러한 모든 처리를 구현하기 어렵고 또 단순화된 뉴런 모델만으로도 현재까지는 충분한 결과를 만들어 내고 있으므로 당분간은 현재의 모델이 계속 유지될 것으로 보입니다.

여기까지 살펴 본 뉴런 모델을 대량으로 펼쳐두고 각 뉴런들을 연결하여 네트워크를 구성한 것이 인공신경망입니다.
가장 간단한 인공신경망 모델은 단일층의 노드들을 가지는 모델인데 퍼셉트론이라고 부릅니다.
퍼셉트론이 가진 한계를 해결하기 위하여 단일층이 아닌 여러 층으로 구성한 것이 바로 DNN입니다.

그럼 다음 글에서는 퍼셉트론에 대하여 간단히 살펴보도록 하겠습니다.