neuron, Perceptron (2024-06-20)

 1. 뉴런(neuron)

* 인간의 뇌는 수십억 개의 뉴런을 가지고 있음

* 뉴런은 화학적, 전기적 신호를 처리하고 전달하는 연결된 뇌 신경 세포

 

 1-2. 인공 뉴런

* 1943년에 워렌 맥컬록, 월터 피츠가 단순화된 뇌 세포 개념을 발표

* 신경 세포를 이진 출력을 가진 단순한 논리 게이트라고 설명

* 생물학적 뉴런의 모델에 기초한 수하적 기능으로 각 뉴런이 입력을 받아 개별적으로 가중치를 곱하여 나온 합계를 비선형 함수를 전달하여 출력을 생성

 

 

 2. 퍼셉트론(Perceptron)

* 인공 신경망의 가장 기본적인 형태로 1957년에 처음 소개됨

* 입력과 출력을 가진 단일 뉴런 모델을 기반으로 만듬

* 초기에 기계 학습 알고리즘 중 하나로 이진 분류 문제를 해결하기 위해 설계

 

 

 

 

 2-1. 논리 회귀(단층 퍼셉트론)로 AND 문제 풀기

import torch

import torch.nn as nn

import torch.optim as optim

 

X = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]])

y = torch.FloatTensor([[0], [0], [0], [1]])

model = nn.Sequential(

    nn.Linear(2, 1),

    nn.Sigmoid())

optimizer = optim.SGD(model.parameters(), lr=1)

epochs = 1000

for epoch in range(epochs + 1):

    y_pred = model(X)

    loss = nn.BCELoss()(y_pred, y)

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

    if epoch % 100 == 0:

        y_bool = (y_pred >=0.5).float()

        accuracy = (y_bool == y).float().sum() / len(y) * 100

        print(f'Epoch: {epoch:4d}/{epochs}, Loss: {loss:.6f}, Accuracy: {accuracy:.2f}%')

 

 2-2. 논리 회귀(단층 퍼셉트론)으로 OR문제 풀기

 

X = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]])

y = torch.FloatTensor([[0], [1], [1], [1]])

model = nn.Sequential(

    nn.Linear(2, 1),

    nn.Sigmoid()

)

optimizer = optim.SGD(model.parameters(), lr=1)

epochs = 1000

for epoch in range(epochs + 1):

    y_pred = model(X)

    loss = nn.BCELoss()(y_pred, y)

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

    if epoch % 100 == 0:

        y_bool = (y_pred >= 0.5).float()

        accuracy = (y == y_bool).float().sum() / len(y) * 100

        print(f'Epoch {epoch:4d}/{epochs} Loss: {loss:.6f} Accuracy: {accuracy:.2f}%')

 

 

 2-3. 논리 회귀(단층 퍼셉트론)로 XOR 문제 풀기

X = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]])

y = torch.FloatTensor([[0], [1], [1], [0]])

model = nn.Sequential(

    nn.Linear(2, 1),

    nn.Sigmoid()

)

optimizer = optim.SGD(model.parameters(), lr=1)

epochs = 1000

for epoch in range(epochs + 1):

    y_pred = model(X)

    loss = nn.BCELoss()(y_pred, y)

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

    if epoch % 100 == 0:

        y_bool = (y_pred >= 0.5).float()

        accuracy = (y == y_bool).float().sum() / len(y) * 100

        print(f'Epoch {epoch:4d}/{epochs} Loss: {loss:.6f} Accuracy: {accuracy:.2f}%')

 

 2-4. 다층 퍼셉트론으로 XOR 문제 풀기

* 여러개의 은닉층을 만들어 해결하기

* https://colah.github.io/posts/2015-09-NN-Types-FP/

 

model = nn.Sequential(

    nn.Linear(2, 64),

    nn.Sigmoid(),

    nn.Linear(64, 32),

    nn.Sigmoid(),

    nn.Linear(32, 16),

    nn.Sigmoid(),

    nn.Linear(16, 1),

    nn.Sigmoid()

    )

print(model)

 

 

X = torch.FloatTensor([[0, 0], [0, 1], [1, 0], [1, 1]])

y = torch.FloatTensor([[0], [1], [1], [0]])

optimizer = optim.SGD(model.parameters(), lr=1)

epochs = 5000

for epoch in range(epochs + 1):

    y_pred = model(X)

    loss = nn.BCELoss()(y_pred, y)

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

    if epoch % 100 == 0:

        y_bool = (y_pred >= 0.5).float()

        accuracy = (y == y_bool).float().sum() / len(y) * 100

        print(f'Epoch {epoch:4d}/{epochs} Loss: {loss:.6f} Accuracy: {accuracy:.2f}%')