📕 퍼셉트론 - 밑바닥부터 시작하는 딥러닝 2장

📌 01. 퍼셉트론이란?

• 초기의 인공 신경망
• 다수의 신호를 입력으로 받아 하나의 신호를 출력
  0: 신호가 흐르지 않는다/ 1: 신호가 흐른다

---

👉 w 는 가중치/ 원은 뉴런 (혹은 노드)/ theta는 임계값
👉 가중치가 클수록 강한 신호

📌 02. 논리회로

1) AND 게이트

ex. (w1, w2, theta) = (0.5, 0.5, 0.7)

2) NAND 게이트

ex. (w1, w2, theta) = (-0.5, -0.5, -0.7)

3) OR 게이트

ex. (w1, w2, theta) = (0.5, 0.5, 0.2)

📌 03. 편향

---

👉 b는 편향 (=bias)

🧐 가중치와 편향의 구분

가중치(w): 입력 신호가 결과에 주는 영향력(중요도)을 조절하는 매개변수
편향(b): 뉴런이 얼마나 쉽게 활성화(결과로 1을 출력)하느냐를 조정하는 매개변수

📌 04. 퍼셉트론 구현하기

• 편향 치환 x

def AND(x1, x2):
    w1, w2, theta = 0.5, 0.5, 0.7
    tmp = x1*w1 + x2*w2

    if tmp <= theta:
    	return 0
    elif tmp > theta:
    	return 1

• 편향 치환 o

def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    tmp = np.sum(w*x) + b

    if tmp <= 0:
    	return 0
    else:
    	return 1

👉 NAND, OR 모두 AND와 가중치(w와 b)만 다름

📌 05. XOR

• 배타적 논리합: x1과 x2 중 한 쪽이 1일 때만 1을 출력

ex. (w1, w2, b) = (1.0, 1.0, -0.5)

🤔 내가 논리회로에서 XOR만 따로 뺀 이유가 뭘까?

➡ XOR은 다층 퍼셉트론으로 구현되기 때문!

1) AND, NAND, OR : 단층 퍼셉트론

• 직선으로 나눠지기 때문에 단층 퍼셉트론으로 구현 가능
• 선형적

2) XOR: 다층 퍼셉트론

• 직선 하나로 나누는 것이 불가능 -> 단층 퍼셉트론 구현 x
• 층을 더 쌓아서 다층 퍼셉트론으로 구현 o
• 곡선, 비선형적

👉

📌 06. XOR 구현하기

def XOR(x1, x2):
    s1 = NAND(x1, x2)
    s2 = OR(x1, x2)
    y = AND(s1, s2)
    return y

➡ x1, x2는 NAND와 OR 의 입력
➡ s1, s2 는 NAND와 OR의 출력이자 AND의 입력
➡ y는 AND의 출력