📁 2장 : 순방향 신경망(FNN) 정리

Wed, 22 Oct 2025 00:00:00 +0000

1. 순방향 신경망(FNN) 개요

FNN = Feedforward Neural Network (= Fully Connected Neural Network 라고도 부름)
대부분의 FNN이 완전연결(fully-connected) 구조를 쓰므로 혼용.
다층 퍼셉트론(MLP)의 다른 이름이며 인공 신경망의 가장 기본 형태.
범용 근사 정리(Universal Approximation Theorem): 은닉 뉴런을 충분히 쓰고 적절한 활성함수를 사용하면, n차원 연속함수를 임의의 정확도로 근사할 수 있음.

2. FNN의 구조와 설계 항목

FNN은 데이터가 한 방향으로만 흐르는 연결을 가짐. 각 뉴런은 가중합 → 활성함수 순으로 연산한다.
데이터 간 상호의존을 직접 가정하지 않는(독립) 구조라는 점이 핵심.

2.1 계층 구조

입력층: 외부 데이터 수신
은닉층: 특징 추출
출력층: 추론 결과 출력
입력/출력층은 보통 1개씩, 은닉층 수는 문제 난이도에 따라 가변.

2.2 완전연결(FC) 계층

각 층의 모든 뉴런이 이전층의 모든 뉴런과 연결.
동일 입력이라도 뉴런마다 다른 특징을 뽑아냄 → 특징이 많을수록 뉴런 수가 충분히 필요.
가중합: 중요한 feature에 큰 가중치를 두어 영향력 조절
$$z = \sum_i w_i x_i + b$$
활성함수: 비선형 변환으로 복잡한 패턴 학습(XOR 등)에 필수.

2.3 ReLU (Rectified Linear Unit)

$$x > 0 \Rightarrow x, \quad x \le 0 \Rightarrow 0$$. 계산이 빠르고 학습을 안정화.
신경망(벡터함수)은 미분 가능한 함수여야 함(역전파).

2.4 범용 근사 정리와 깊이

2층 FNN도 충분한 은닉 뉴런으로 연속함수 근사 가능.
단, 뉴런을 무작정 늘리면 과적합 위험 → 깊게 쌓아 같은 성능을 더 적은 뉴런으로 구현하기도 함.

2.5 설계 체크리스트

입력 형태 2) 출력 형태/활성함수 3) 은닉층 활성함수 4) 네트워크 크기(깊이·너비)

3. 분류와 회귀

분류: 범주(클래스) 예측
회귀: 연속 값 예측

분류는 판별 함수(클래스 결정) 또는 확률 모델(클래스별 확률)로 볼 수 있다.

4. 이진 분류 모델

이진 분류는 베르누이 분포를 예측하는 모델로 정의할 수 있다.

출력층 활성함수: 시그모이드 $$\sigma(z) = \frac{1}{1 + e^{-z}}$$
손실함수: Binary Cross-Entropy와 궁합이 좋음.

5. 다중 분류 모델

다중 분류는 카테고리(다항 1회 시행) 분포를 예측.

출력층 활성함수: 소프트맥스 $\mathrm{softmax}(z)_k=\frac{e^{z_k}}{\sum_j e^{z_j}}$
손실함수: Categorical Cross-Entropy.

이진 분류도 소프트맥스 2차원으로 풀 수 있지만, 보통 시그모이드 1차원으로 간단히 처리.

6. 회귀 모델

회귀는 관측오차(노이즈)가 가우시안 분포라고 가정하는 경우가 많음.
모델은 평균 $$\mu = y(x)$$ 만 예측(분산은 상수로 둠).
출력층 활성함수: 항등함수(identity).

7. 입력층

입력 데이터가 길이 n인 벡터라면 입력층 뉴런 수 = n.
예: 28×28 이미지는 전개(Flatten) 해서 784차원 입력.

8. 활성 함수 정리

8.1 시그모이드 계열

장점: 모든 구간 미분 가능, [0,1]로 스쿼싱
단점: 지수연산 비용, 그레이디언트 포화/소실, 출력이 양수여서 최적화 경로가 진동 가능

8.2 하이퍼볼릭 탄젠트(tanh)

범위 [-1,1]이라 경로 진동 감소
여전히 지수연산·포화 문제 존재

8.3 ReLU 계열

ReLU: 빠르고 포화·소실에 강함
Leaky ReLU / PReLU: 음수구간 기울기 부여(죽은 ReLU 완화)
ELU: 음수구간이 지수형 → 큰 음수 입력에도 안정
Maxout: 뉴런별로 여러 선형함수의 최댓값을 사용해 활성함수 자체를 학습
Swish(SiLU): $$x \cdot \sigma(x)$$. 최근에 좋은 성능을 보이는 비선형.

9. 신경망 모델의 크기(너비·깊이)

너비: 층별 뉴런 수 / 깊이: 층 수
탐색: Grid Search보다는 Random Search가 대개 효율적.
최근엔 NAS 등 자동 탐색도 활용.

9.1 크기 스케일링

EfficientNet이 보인 바처럼 너비·깊이·입력 해상도를 함께 키우는 Compound Scaling이 효율적.

PDF 다운로드

📁 3장 : 신경망 학습과 최적화