Choose a default theme

You can change your theme from the menu

인공 신경망

인공 신경망은 가중치·편향·활성화 함수 등의 계산 단위를 연결한 모델입니다. 입력을 여러 단계의 표현으로 변환하며, 학습 과정에서 매개변수를 조정할 수 있습니다. 생물학적 뇌와 동일한 구조를 뜻하지 않습니다.

다른 이름: Neural Network · 신경망


입력에 서로 다른 비중을 줍니다

단순한 계산 단위는 입력마다 가중치를 곱해 더하고 편향을 더합니다. 가중치는 입력이 결과에 반영되는 방향과 크기에 관여합니다. 편향은 입력과 별도로 더하는 조절값입니다.

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.


예시와 비교

항목

가상 값

입력 x₁, x₂

2, 3

가중치 w₁, w₂

0.5, -1

편향 b

1

가중합

-1



주의할 해석

가중치의 크기만 떼어내 입력의 절대적인 중요도라고 판단하기 어렵습니다. 입력의 단위와 다른 계산의 영향을 함께 고려해야 합니다.


추가 설명

일반적인 단위는 가중합 뒤에 활성화 함수를 적용합니다. 비선형 변환은 선형 연산만 반복할 때보다 다양한 관계를 표현하도록 합니다.



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