딥러닝이 기존 다층 신경망과 다른점은 레이어가 깊게(deep) 여러층이 있다는 것입니다. 이전에는 층이 깊어질수록 학습이 되지 않는 문제가 있었지만 최근 몇년 사이에 이를 해결할 수 있는 방법들이 많이 개발되었습니다.

딥러닝에도 여러가지 종류가 있는데 간단하게 정리해보았습다.

1. Deep Belief Network

RBM(Restricted Boltzmann Machine)은 그래프로 표현된 확률모델입니다. 신경망과 비슷한 구조인데 이 RBM를 여러층을 쌓고 비지도학습으로 Pre-training을 합니다.

이렇게 하면 비슷한 특징들로 묶여진 신경망의 초기 가중치를 정할 수 있고 그 다음에는 완전연결 신경망을 사용하여 지도학습을 수행합니다.

2. Autoencoder

오토인코더는 하나의 히든레이어가 있는 신경망인데 입력값이 그대로 출력값이 됩니다. 대신 히든레이어가 입력값을 압축하여 특징을 추출할 수 있습니다.

히든레이어을 다시 입력값으로 연결하여 여러층의 오토인코더를 쌓은 다음  DBN와 마찬가지로 비지도학습으로 Pre-training을 합니다.

3. Convolutional Neural Network

가장 많이 알려진 딥러닝 방법으로 특히 이미지 처리에 적합합니다. 입력을 필터로 합성곱하여 특징을 추출하고 이런 합성곱 레이어를 여러 계층으로 연결합니다.

합성곱 레이어를 지날때마다 저수준의 특징들이 점차 고수준의 특징들로 만들어집니다. 그리고 마지막에는 완전연결 레이어로 최종 결과를 학습합니다.

4. Recurrent Neural Network

RNN의 가장 큰 특징은 시간에 따른 순서를 기억한다는 것입니다. 신경망의 출력이 다른 신경망과 연결되어 있고 이렇게 여러개의 신경망으로 이어져 있습니다. 단어의 순서에 따른 연결이 고려되는 자연어처리에서 많이 사용되고 있습니다.

5. Deep Q-Network

강화학습은 현재 상태 S에서 행동 a를 결정하고 그에 따른 보상을 받아 행동을 수정합니다. Q테이블은 각 상태집합에서 행동에 따른 우선순위가 있는 테이블입니다.

Q(S, a)는 상태 S에서 a라는 행동을 했을때의 이득값입니다. 현재 상태의 모든 행동 a에 대해서 Q값을 구해 가장 높은 우선순위의 행동을 수행합니다.

보통 Q테이블을 배열로 설정하는데 이를 딥러닝 CNN으로 변경한 것이 DQN입니다. 그렇기 때문에 상태나 행동이 큰 집합도 잘 학습이 됩니다. 이세돌과의 바둑 경기로 유명한 알파고가 바로 이 방법을 사용하였습니다.

< 인공지능 개발자 모임 >

- 페이스북 그룹에 가입하시면 인공지능에 대한 최신 정보를 쉽게 받으실 수 있습니다.

- https://www.facebook.com/groups/AIDevKr/