딥러닝의 원리

텐서플로 놀이터

http://playground.tensorflow.org ← 딥러닝을 이용한 지도학습의 원리를 체험할 수 있는 사이트
파란색 점과 주황색 점들을 구분하는 경계선을 찾음
각 점들의 좌표 (x1, x2)를 입력으로 사용
▷ 버튼을 누르면 입력값을 조합하여 경계선을 찾아냄
(-) 버튼을 눌러 은닉층을 0으로 만듦
손실(loss): 일종의 오차이며, 학습이 진행되면서 감소함

지도학습의 원리 실습 이미지 1

지도학습의 원리 실습 다이어그램 1

더 복잡한 모양

아무리 학습시켜도 경계선을 찾지 못함
하나의 경계선으로 구분할 수 없기 때문

더 복잡한 모양 이미지 1

더 복잡한 모양

뉴런을 3개 추가
은닉층을 1개 추가
3개의 경계선을 조합하여 주황과 파랑을 구분
입력이 3개의 경계선으로 조합됨

더 복잡한 모양 이미지 1

더 복잡한 모양 다이어그램 1

퀴즈

문제 1 / 3맞음: 0힌트: 0틀림: 0채점중: 0남음: 3

TensorFlow Playground 실습에서 손실(loss)을 해석한 것으로 가장 알맞은 것은?

○은닉층의 뉴런 개수를 그대로 복사한 값
○학습이 진행될 때 모델 예측과 실제 레이블 사이의 오차를 나타내는 값
○입력 좌표 (x1, x2)의 평균 위치를 나타내는 값
○학습 데이터와 테스트 데이터의 비율만 나타내는 값

퀴즈를 풀려면 대화형 기능을 불러와야 합니다.

TensorFlow Playground 실습에서 손실(loss)을 해석한 것으로 가장 알맞은 것은?

분류 경계가 데이터에 더 잘 맞으면 작아지기를 기대하는 값입니다.

은닉층의 뉴런 개수를 그대로 복사한 값학습이 진행될 때 모델 예측과 실제 레이블 사이의 오차를 나타내는 값입력 좌표 (x1, x2)의 평균 위치를 나타내는 값학습 데이터와 테스트 데이터의 비율만 나타내는 값

학습이 진행될 때 모델 예측과 실제 레이블 사이의 오차를 나타내는 값

동심원처럼 더 복잡한 모양의 데이터를 은닉층 없이 잘 구분하기 어려운 이유는?

직선 하나로 구분되는 문제와 여러 경계를 조합해야 하는 문제를 구분하세요.

입력 좌표 (x1, x2)를 쓰면 데이터가 항상 하나의 직선으로만 분리되기 때문하나의 단순한 경계선만으로는 두 클래스의 영역을 충분히 나누기 어렵기 때문데이터 수가 충분하면 은닉층이 없어도 표현력이 자동으로 복잡해지기 때문학습률을 낮추면 곡선 경계가 아니라 항상 수직 경계만 만들어지기 때문

하나의 단순한 경계선만으로는 두 클래스의 영역을 충분히 나누기 어렵기 때문

은닉층과 뉴런을 추가했을 때의 변화로 올바른 것을 모두 고르세요.

은닉층은 입력을 바로 출력으로 보내는 대신 중간 표현을 만들어 조합합니다.

여러 뉴런의 출력을 조합해 더 복잡한 분류 경계를 만들 수 있다은닉층을 추가하면 입력 좌표가 중간 표현으로 변환될 수 있다뉴런 3개를 쓰면 세 개의 단순 경계를 조합하는 효과를 볼 수 있다은닉층을 추가하면 정답 레이블 없이도 지도학습이 자동으로 가능해진다

여러 뉴런의 출력을 조합해 더 복잡한 분류 경계를 만들 수 있다, 은닉층을 추가하면 입력 좌표가 중간 표현으로 변환될 수 있다, 뉴런 3개를 쓰면 세 개의 단순 경계를 조합하는 효과를 볼 수 있다