Page 22 -

또한, 가중치 값을 업데이트하기 위한 역전파가 중요합니다. 특히 역전파 계산 과정에서 사용되는 1
미분(오차를 각 가중치로 미분)이 성능에 영향을 미치는 주요한 요소라고 할 수 있습니다.

그림 1-14 역전파 계산 머신 러닝과 딥러닝
ੑ۱க ਷ץக ୹۱க

w w 4 w 7
1
ѾҞч
w 2 w 5 w 8 w 10

੹୓ য়ର
w
3 w 6 w 9

∂ E
য়ରܳ пп੄ о઺஖۽ ಞ޷࠙
∂ W n

하지만 파이토치 같은 프레임워크를 이용하면 역전파 알고리즘을 자동으로 처리해 주기 때문에
딥러닝 알고리즘 구현이 굉장히 간단해집니다. 즉, 파이토치를 이용하면 딥러닝 알고리즘 구현이

간단하고 편리합니다.

1.3.2 딥러닝 학습 알고리즘

딥러닝 학습 알고리즘은 머신 러닝처럼 간단하지 않습니다. 활용 분야에 따라 지도 학습과 비지도
학습, 전이 학습으로 분류되는데, 먼저 지도 학습으로 분류되는 알고리즘을 살펴보겠습니다.

이미지 분류는 이미지 또는 비디오상의 객체를 식별하는 컴퓨터 비전 기술입니다. 컴퓨터 비전에
서 가장 많이 사용되는 것이 합성곱 신경망(Convolutional Neural Network, CNN)입니다. 합성곱 신
경망은 목적에 따라 이미지 분류, 이미지 인식, 이미지 분할로 분류할 수 있습니다. 이미지 분류

는 이미지를 알고리즘에 입력하면 그 이미지가 어떤 클래스에 속하는지 알려 주기 때문에 말 그
대로 이미지 데이터를 유사한 것끼리 분류할 때 사용합니다. 이미지 인식은 사진을 분석하여 그
안에 있는 사물의 종류를 인식하는 것으로, 의료 이미지에서 질병을 식별하거나 산업 검사 및 로

봇 비전 등 다양한 분야에서 활용할 수 있습니다. 그리고 이미지 분할은 영상에서 사물이나 배
경 등 객체 간 영역을 픽셀 단위로 구분하는 기술입니다. 이미지 분할은 X-ray, CT(Computer
Tomography), MRI(Magnetic Resonance Imaging) 등 다양한 의료 영상에서 분할된 이미지 정보를 활
용해서 질병 진단 등에 사용하고 있습니다.

029