— views
AI 입문 13화. 작은 계산기가 모이면 신경망이 된다
민지는 빵의 가격과 크기를 보고 가성비 점수를 매깁니다. 어떤 단서를 더 중요하게 볼지 바꾸면 점수도 바뀝니다.

입력에 서로 다른 비중을 줍니다
각 입력에 가중치를 곱해 합친 뒤 편향을 더합니다. 편향은 입력값과 별개로 더하는 값입니다.
학습용 예에서 입력이 2와 3, 가중치가 0.5와 -1, 편향이 1이면 결과는 2×0.5+3×(-1)+1=-1입니다. 이 숫자는 임의의 설명용 값이며 실제 빵 품질이나 모델을 측정한 값이 아닙니다.
많은 계산 단위를 연결합니다
한 단위의 결과를 다음 계산의 입력으로 사용하면 여러 단계의 네트워크를 만들 수 있습니다. 신경망이라는 이름은 생물학적 신경계에서 영감을 받았지만 실제 뇌를 그대로 복제한 구조는 아닙니다.
모델의 가중치와 편향처럼 학습으로 조정하는 값을 매개변수라고 부릅니다. 매개변수가 많으면 표현할 수 있는 계산이 풍부해질 수 있지만, 데이터·학습·구조가 적절해야 합니다.
하나의 손잡이가 하나의 개념은 아닙니다
빵을 구별하는 지식이 특정 가중치 하나에 완성된 문장처럼 들어 있다고 생각하기 쉽습니다. 실제로는 많은 값과 계산이 함께 작동하며 어떤 특징은 여러 곳에 분산되어 나타납니다.
매개변수 수는 모델 규모를 나타내는 정보 중 하나입니다. 숫자가 더 크다고 모든 작업의 정확도가 자동으로 높아지는 것은 아닙니다. 속도·메모리·자료의 품질도 함께 봐야 합니다.
입력·가중치·편향을 한 줄로 계산하기
그림에서는 입력 2에 가중치 0.5를 곱한 뒤 편향 1을 더해 출력 2를 얻습니다. 가중치가 음수라면 다른 조건이 같을 때 입력이 커질수록 출력은 작아집니다.
한눈에 정리하기
항목 | 가상 값 |
|---|---|
입력 x₁, x₂ | 2, 3 |
가중치 w₁, w₂ | 0.5, -1 |
편향 b | 1 |
가중합 | -1 |
확인 문제
가중합이 −1일 때 다른 항은 그대로 두고 편향을 1에서 2로 올렸다. 새 가중합은?
① 0
② −2
정답과 해설
정답 ① 0 · 가중합에 더하는 편향이 1 커졌으므로 −1에 1을 더한다.
조금 더 깊이 · 선택해서 읽기
일반적인 단위는 가중합 뒤에 활성화 함수를 적용합니다.
함께 볼 위키
출처와 더 읽을 자료
Google — Nodes and hidden layers — 노드·가중치·은닉층 · 확인 2026-10-29
Google — Linear regression — 가중합과 편향 · 확인 2026-10-29
만화는 AI로 제작한 비유이며, 별도 표시가 없는 수치는 가상 예시입니다.
Comments (0)