신기한 연구소

인공 신경망과 딥러닝

인공 지능(AI)이 이제 미래다.

그래서 인공 지능은 어떻게 무엇을 공부해야 하는지 찾아봤다.

딥러닝(DeepLearning), 머신러닝(MachineLearning) 등 용어가 자주 등장한다.

딥러닝을 시작으로 책도 보고 검색도 해봤다.

용어도 어렵고 복잡한 수식을 보면 그냥 책을 덮고 싶었다.

그래도 27년 차 개발자로 살아온 경력이 있는데 쉽게 포기할 순 없다.

전문가처럼 어려운 말이 아닌 내가 이해한 대로 쉽게 이야기해보려고 한다.

딥러닝을 공부하면 인공 신경망이란 용어를 만난다.

우리 뇌의 뉴런을 컴퓨터를 이용해 비슷하게 만든 것이 인공 신경망이라고 한다.

딥러닝에 있어 인공 신경망이란?

예를 들어,

깊이 있는 고등 수학 공부를 한다면 사칙연산은 기본으로 알아야 하는 것과 비슷하다.

딥러닝을 공부하기 위해서는 인공 신경망을 알아야 한다는 의미다.

인공 신경망으로 깊이 학습하는 구조를 만드는 것이 딥러닝(DeepLearning)이다.

아이고 어려운 용어만 난무한 내용이었다.

뉴런과 인공 신경망

앞서 이야기 한 것처럼 인공 신경망은 뉴런을 기초해서 만들었다고 했다.

이미지를 보자.

왼쪽 세포체에 붙어 있는 수상돌기에서 신호를 받는다.

이 신호는 뉴런 몸통을 통과해서 오른쪽 끝의 축삭말단에서 결과가 나온다.

그 결과 신호는 다시 다른 뉴런의 수상돌기에 보낸다고 한다.

그렇다면 입력 받는 신호, 즉 입력 신호는 무엇인가?

우리는 신호를 오감으로 생각하면 쉽게 이해가 된다.

오감이라면 시각, 미각, 후각, 청각 그리고 촉각이 있다.

사과(시각), 향이 좋아(후각), 맛있어(미각), 부드럽네(촉각), 사각사각소리(청각).

이 모든 것은 외부에서 감각을 받아들이는 눈, 코, 입 등 신체를 통해 뇌에 전달된다고 한다.

그래서 우리는 전달된 정보를 기반으로 사과라는 것을 안다. (인지)

어떻게 알까?

과거의 기억을 바탕으로 현재 들어온

즉, 뉴런의 수상돌기를 통해 들어온 정보와 비교해서 인지하게 된단다.

외부의 자극(빛, 통증 등)을 전기적 신호로 변환해서 뉴런들을 통과하게 된다고 한다.

기존 기억으로 저장된 정보와 비교해서 가장 가능성 있는 정보를 인지해서 결과를 준다고 한다.

그래서 사과를 보면 사과라고 인지하게 되는 것이다.

반면, 사과를 처음 본 사람은 사과에 대한 기억(정보)이 없다.

그래서 복숭아, 배와 비슷한 형태로 과일이라는 추측만 하게 된다.

그 이유는 사과에 대한 정보가 부족했기 때문일거다.

뉴런에 대해 이야기했으니 이제 인공 신경망 이야기를 해보자.

컴퓨터 센서를 통해 값(정보)을 전달받는다.

이 값이 어떤 의미를 갖는지 판단(분류) 한 후 가장 어울리는 값을 돌려준다.

뉴런과 원리가 엄청 비슷하다는 것을 눈치챘는가?

이때 입력값(정보)에서 특징을 정확히 분류해서 저장해 둔다.

사과에 대한 다양한 정보(색, 크기, 껍질 등)를 기반으로 스무고개 하듯 입력값을 분류한다.

그렇게 취합해서 최종 결과가 사과인지 판단한다.

이런 흐름으로 구성한 것을 인공 신경망이라 한다.

스무고개 질문을 다시 보면 특징(모양, 크기, 색상 등)을 확인해서 분류하는 과정이다.

몇 개가 될 수도 있고 좀 더 세밀하게 분류한다면 수 십 개가 될 수도 있다.

이렇게 깊이 있게 특징들에 대해 구분해서 학습하는 것, 바로 딥러닝(DeepLearning)이다.

즉, 깊이 있는 특징(질문)들은 입력받은 다양한 사과 사진을 보고 특징을 정리한다.

그러면 프로그램에서 알아서 질문(특징)들을 만들어 스무고개를 완성한다고 한다. (꼭 20개는 아니다)

분류와 가중치

인공 신경망은 뉴런을 보고 만들었다고 한다.

뉴런의 역할은 무엇인가?

뉴런을 기초로 한 인공 신경망은 도대체 뭘 하는 건가?

인공지능에서 인공 신경망은 왜 필요한가?

바로 분류를 하기 위해 존재하고 필요하다고 생각한다.

분류? 분류라면...

이것은 사과인가? 배인가?

이것은 초코파이인가? 오예스인가?

이것이 분류다.

바로 우리 뇌는 뉴런이 인공 지능에서는 인공 신경망이 그 일을 한다고 한다.

분류를 할 때 더 높은 가능성에 점수를 줘야 한다.

바로 가중치라고 한다.

특징을 보니 네모만 초콜릿과자니까 오예스에 더 가깝다는 결론에 도달한다.

예를 들어,

시각적으로 초콜릿으로 덮인 과자가 정보가 들어온다.

모양이 네모라서 가중치를 많이 줬다.

네모 초콜릿 과자라 가중치를 더 받았고 그 값이 커서 오예스로 분류했다.

마무리

인공 신경망을 배우기 위해 뉴런의 특징에 대해서도 알아봤다.

신호(값)를 입력받으면 내부 정보(특징)를 활용해서 무엇인지 분류한다.

판단 근거에 대한 정확도를 높이기 위해 더 많고 심도 있는 분류 조건이 필요하다.

즉, 더 많은 정보가 필요하다는 의미다.

깊은 학습, 바로 딥러닝(DeepLearning)을 통해 정확도를 높이게 된다.

우선 인공 신경망, 딥러닝, 가중치, 뉴런 등 용어가 더 친숙해졌다.

• 뉴런 신호 전달에서 시작으로
• 인공 신경망 구조를 알고
• 가중치(점수)를 어떻게 활용하는지
• 딥러닝, 깊이 있는 학습의 개념을 이해하게 되었다.

그렇다면 성공이다.

궁금하거나 잘못된 정보가 있다면 댓글에 알려주기 바란다.

상단 메뉴 레이아웃도 맞췄고 snb와 contents도 분리했다.

다시 확인해 보자.

로고 위치 조정.

왼쪽 상단에 로고가 너무 붙어 있다.

약간의 여백을 줘보자.

.logoimg 클래스에 padding 값을 설정했다.

padding { 상, 우, 하, 좌 } 순으로 값을 넣으면 된다.

위로 10px, 좌로 26px로 설정했다.

결과를 확인하자.

딱 붙어있는 로고가 이동을 했다.

우측 상단 메뉴 조정

이제 우측 메뉴를 좀 더 추가하고 조정해 보자.

17, 19번 라인을 추가했다.

그리고 해당 메뉴를 우측 상단에 이쁘게 배치하자.

먼저 부모 격인. headernavi 클래스 속성 먼저 조정하자.

우측 상단에서 바로 아래 탑메뉴에 최대한 가까이 위치하기 위해 28번 라인을 추가했다.

그리고 모든 공백을 제거하기 위해 29번 라인 margin: 0을 추가했다.

메뉴 간 간격이나 미세 위치를 위해 30라인에서 padding 값을 조정했다.

.headernavi 클래스의 자식인 dd 태그에 값을 조정하다.

역시 76번 라인 공백은 다 제거했다.

padding으로 메뉴 위치를 조정했다.

78번 라인 메뉴 구분을 위해 세로 바를 배경에 넣었다.

95번 라인 클래스는 우측 상단 메뉴 구분을 위한 가로바 중 마지막 가로바를 빼는 코드다.

마지막인데 구분바가 필요 없으니까 제거했다.

100번 라인은 <a> 태그의 특징인 언더라인과 색을 바꾸기 위해 코딩했다.

101번 라인으로 메뉴의 언더라인 (text-decoration: none)을 없앴다.

102~103번 라인으로 글자색은 짙은 회색, 크기는 13px로 설정했다.

107~108번 라인은 마우스를 올렸을 때 밑줄이 다시 나오고 글자색을 검은색으로 설정했다.

이제 결과를 화면으로 보자.

우측에 home부터 잘 나오고 있다.

우선 상단 꾸미기는 이 정도로 해서 마무리하겠다.

처음이라 디자인도 그렇고 좀 엉성해 보일 수 있다.

하지만 중요한 것은 코딩을 해서 조정을 하는 방법을 배우는 것이다.

css는 단순히 사용법을 안다고 실전에서 사용할 수 있는 것이 아니다.

그때그때 상황에 맞게 잘 활용하는 것이 중요하다.

그것을 우리는 경력이라고 한다.

경력은 자주 해보면서 연구하고 분석하고 적용해서 느는 것이다.

모든 코딩이 그렇다.

꾸준히 연습하고 적용해 봐야 실력이 는다.