Python 딥러닝 비선형 활성화 함수

비선형 활성화 함수

 

- 신경망의 성능을 향상시키기 위해 사용한다.

- 선형 함수는 입력값과 가충치는 곱한 결과를 그대로 출력하기 때문에 신경망에서 여러 개의 레이어를 사용한다면 최종 출력 값은 입력값과 가중치의 선형 조합으로 표현되므로 입력 데이터의 비선형 관계를 표현할 수 없다.

- 신경망이 입력 데이터의 비선형 관계를 잘 학습할 수 있도록 비선형 활성화 함수가 필요하다.

 

• 시그모이드

# 필요한 모듈 import
import numpy as np
import matplotlib.pyplot as plt

# sigmoid 함수 선언
def sigmoid(x):
  return 1 / (1 + np.exp(-x))

# 데이터 만들기
x = np.arange(-5.0, 5.0, 0.1)
y = sigmoid(x)

# 그래프로 나타내기
plt.plot(x, y)
plt.plot([0, 0], [1.0, 0.0], ':')
plt.title("Sigmoid Function")
plt.show()

결과

 

• 하이퍼볼릭탄젠트

- 하이퍼볼릭 사인 함수(sinh)와 하이퍼볼릭 코사인 함수(cosh)로 정의한다.

- 신경망의 활성화 함수로 자주 사용된다.

- 출력값이 -1에서 1사이로 조정되어 학습 과정에서 중심화된 데이터 분포를 유지한다.

- 기울기 소실 문제를 완화하는데 도움이 된다.

# 데이터 만들기
x = np.arange(-5.0, 5.0, 0.1)
y = np.tanh(x)

# 그래프로 나타내기
plt.plot(x, y)
plt.plot([0, 0], [1.0, 0.0], ':')
plt.axhline(y=0, color="orange", linestyle='--')
plt.title("Tanh Function")
plt.show()

결과

 

• 렐루(relu)

- 신경망에서 널리 사용되는 활성화 함수이다.

- 입력이 양수일 때는 그대로 출력하고, 음수일 때는 0을 출력하는 형태이다.

- 양수 입력에 대해 기울기가 항상 1이므로, 기울기 소실 문제를 어느 정도 완화한다.

- 간단한 비교 연상으로 구성되어 계산이 매우 빠르다.

# relu 함수 선언
def relu(x):
  return np.maximum(0, x)

# 데이터 만들기
x = np.arange(-5.0, 5.0, 0.1)
y = relu(x)

# 그래프로 나타내기
plt.plot(x, y)
plt.plot([0, 0], [5.0, 0.0], ':')
plt.title("Relu Function")
plt.show()

결과

 

• 소프트맥스(SoftMax)

- 신경망의 출력층에서 활성화 되는 함수로 사용된다.

- 분류 문제에서 각 클래스에 대한 확률을 출력하는데 유용하다.

- 함수의 출력은 0과 1사이의 값으로 변환되며, 출력값의 총합은 1이 된다.

- 미분 가능하므로 역전파 알고리즘을 사용할 수 있다.

# 데이터 만들기
x = np.arange(-5.0, 5.0, 0.1)
y = np.exp(x) / np.sum(np.exp(x))

# 그래프로 나타내기
plt.plot(x, y)
plt.title("Softmax Function")
plt.show()

결과

 

역전파(Backpropagaion)

 

- 1969년 민스키 교수님은 XOR는 "지금의 기술로 풀 수 없다."라는 것을 수학적으로 증명하였다.
- 1974년 Paul Werbos에 의해 박사 논문에서 해결되었다.
   - W, b를 이용해 주어진 입력을 가지고 출력을 만들어 낼 수 있음 -> 출력이 우리가 가지고 있는 값과 다른 출력일 경우 W, b를 조절하였다.
- 1986년 Hinton에 의해 위 같은 방법으로 독자적으로 만들어 냈다.(재발견)

- 역전파는 인공신경망에서 학습을 수행하는 데 사용되는 알고리즘으로, 네트워크의 가중치를 업데이트하기 위해 오차를 출력층에서 입력층으로 전파하여 각 가중치의 기울기를 계산한다.
- 신경망이 주어진 데이터에 대해 예측을 얼마나 잘하는지 평가하고 네트워크의 가중치를 조정하여 예측 성능을 향상시키는 중요한 과정이다.
  1. 순전파 계산
    - 입력 데이터를 각 층을 통과시키며 네트워크의 출력을 계산한다.
    - 출력층에서 손실 함수를 사용하여 출력과 실제 값의 오차를 계산한다.
  2. 오차 계산
    - 출력층에서 시작하여 이전 층으로 이동하며 오차를 계산한다.
    - 출력층의 오차는 손실 함수의 미분으로 구한다.
  3. 기울기 계산
    - 각 층에서 가중치와 바이어스에 대한 기울기를 계산한다.
    - 기울기는 오차와 활성화 함수의 미분을 사용하여 구한다.
  4. 가중치 업데이트
    - 경사 하강법을 사용하여 가중치와 바이어스를 업데이트 한다.