P5-1.1 퍼셉트론(perceptron)의 직관¶

Section ID: P5-1.1 Version: v2026.07.20

Part 4에서는 머신러닝을 문제 정의, 데이터 분리, 일반화, 평가, 모델 선택의 흐름으로 읽었습니다. 이제 Part 5에서는 모델이 값을 받아서 출력을 만드는 가장 작은 신경망 계산 단위가 어떻게 생겼는지를 먼저 묻습니다. 이 질문에서 퍼셉트론(perceptron)으로 들어갑니다. 퍼셉트론은 여러 입력(input)에 서로 다른 중요도(weight)를 곱해 합친 뒤, 그 결과를 기준으로 출력을 내는 가장 단순한 신경망 판단 단위입니다.

퍼셉트론 용어를 뒤 절에서 다시 짧게 확인해야 할 때는 개념사전의 퍼셉트론(perceptron) 항목을 기준선으로 돌아옵니다.

퍼셉트론이 닫는 첫 질문¶

이 절은 다음 질문을 정리합니다.

• 퍼셉트론은 어떤 역사적 맥락에서 등장했는가?
• 입력(input), 가중치(weight), 합(sum), 출력(output)은 어떤 흐름으로 이어지는가?
• 퍼셉트론을 왜 신경망(neural network)의 출발점처럼 다루는가?
• 퍼셉트론 계산을 작은 숫자 예제로 어떻게 확인할 수 있는가?

선형 결합의 기하학적 의미와 퍼셉트론 경계의 직관은 P5-1.2에서 바로 이어서 다루고, XOR 문제와 다층 신경망의 필요성은 P5-2.1, P5-2.2에서 다시 연결합니다. 활성화 함수 종류 비교는 P5-3.1부터 P5-3.5까지 따로 봅니다. 즉, 이번 절은 퍼셉트론의 가장 작은 계산 문법을 먼저 붙잡는 자리입니다.

입력 점수와 결정 경계의 판단 기준¶

• 퍼셉트론을 입력값을 가중합으로 모아 판단하는 단위로 설명할 수 있습니다.
• 가중치(weight)가 입력마다 중요도를 다르게 주는 값이라는 점을 말할 수 있습니다.
• 퍼셉트론이 선형 모델과 신경망 사이의 연결 고리처럼 보인다는 점을 이해할 수 있습니다.
• 작은 수치 비교로 퍼셉트론의 순전파(forward pass) 계산을 따라갈 수 있습니다.

왜 퍼셉트론부터 시작하는가¶

딥러닝(deep learning)은 결국 많은 층(layer)의 신경망을 다루는 이야기입니다. 하지만 처음부터 깊은 네트워크를 보면 계산이 복잡해 보이고, 왜 이런 구조가 필요한지도 흐려집니다.

그래서 가장 작은 단위부터 봐야 합니다.

1. 입력이 들어옵니다.
2. 각 입력에 중요도가 붙습니다.
3. 합쳐진 결과를 봅니다.
4. 어떤 출력을 낼지 정합니다.

이 단순한 흐름이 퍼셉트론 안에 이미 들어 있습니다.

즉, 퍼셉트론은 신경망이 무엇을 계산하는가를 처음 읽기 위한 출발점입니다.

역사적 배경¶

퍼셉트론이라는 이름은 Frank Rosenblatt의 1958년 논문에서 널리 알려졌습니다. 이 시기 연구의 핵심 생각은 단순했습니다.

여러 입력 신호를 받아, 어떤 기준을 넘으면 반응하도록 만들 수 있는가?

이 관점은 더 앞선 McCulloch와 Pitts의 1943년 인공 뉴런(artificial neuron) 모형과도 이어집니다. 다음 정도로 기억합니다.

• McCulloch-Pitts: 뉴런을 매우 단순한 논리적 반응 단위로 본 초기 관점
• Rosenblatt perceptron: 입력과 가중치를 두고 학습 가능한 판단 장치로 발전시킨 초기 관점

즉, 퍼셉트론은 오늘날 딥러닝의 모든 구조를 설명하는 완성형 모델은 아니지만, 입력을 받아 가중합을 만들고, 그 결과로 판단한다는 기본 문법을 가장 일찍 보여 준 대표 예입니다.

퍼셉트론을 한 장면으로 보기¶

퍼셉트론의 계산 흐름은 매우 짧게 줄일 수 있습니다.

flowchart TD
  A["입력값<br/>x1, x2, x3"]
  B["가중치<br/>w1, w2, w3"]
  C["가중합<br/>x1w1 + x2w2 + x3w3 + b"]
  D["출력<br/>0 또는 1, 혹은 점수"]

  A --> B
  B --> C
  C --> D

이 도식에서 중요한 것은 가중치(weight)입니다. 모든 입력을 똑같이 보지 않고, 어떤 입력은 더 크게 보고 어떤 입력은 더 작게 보는 구조가 이미 들어 있습니다.

입력, 가중치, 편향은 무엇을 뜻하나¶

퍼셉트론을 읽을 때 처음 등장하는 기본 단어는 세 개입니다.

예를 들어 라인 재기동 승인 판단을 아주 단순화해 보겠습니다.

• 압력 해소가 완료되었는가
• 재기동 체크리스트가 확인되었는가
• 차단 경보가 남아 있는가

이 세 입력이 들어오고, 각 입력에 다른 가중치를 줄 수 있습니다.

• 압력 해소 완료는 중요도가 클 수 있습니다.
• 체크리스트 확인은 중간 정도일 수 있습니다.
• 차단 경보는 한 번만 남아 있어도 강한 감점 신호일 수 있습니다.

즉, 퍼셉트론은 입력이 있느냐 없느냐만 보는 것이 아니라, 무엇을 더 중요하게 볼 것인가를 함께 표현합니다.

가중합(weighted sum)은 왜 중요한가¶

퍼셉트론의 핵심 계산은 가중합(weighted sum)입니다.

이렇게 이해합니다.

여러 신호를 한꺼번에 볼 때, 각 신호에 서로 다른 비중을 주고 하나의 점수처럼 모으는 계산

이 감각은 Part 4에서 본 선형회귀(linear regression), 로지스틱 회귀(logistic regression)와도 이어집니다. 그 모델들도 결국 입력과 계수(coefficient)를 곱해 합치는 구조를 갖습니다.

퍼셉트론이 중요한 이유는, 이 가중합이 이후 신경망 전체의 기본 계산 단위로 계속 반복되기 때문입니다.

즉:

1. 입력을 받습니다.
2. 가중치를 곱합니다.
3. 합칩니다.
4. 다음 판단으로 넘깁니다.

이 흐름이 층을 쌓으며 반복되면 다층 신경망(multilayer neural network)으로 이어집니다.

편향(bias)은 왜 따로 두는가¶

독자는 가중치만 이해하고 편향(bias)을 빼먹기 쉽습니다. 하지만 편향은 중요한 기준 조정값입니다.

편향은 아주 직관적으로 말하면:

입력들이 모두 0에 가까워도, 기본적으로 어느 쪽으로 기울게 할지 정하는 값

예를 들어 어떤 판단이 매우 엄격해야 한다면:

• 가중합이 조금 높다고 바로 1을 내지 않고
• 더 높은 기준을 넘어야 하게 만들 수 있습니다.

반대로 아주 민감하게 반응해야 한다면:

• 작은 신호에도 쉽게 출력이 바뀌게 만들 수 있습니다.

편향은 이런 기준선을 움직이는 역할을 합니다.

퍼셉트론은 무엇을 출력하나¶

초기 퍼셉트론 설명에서는 보통 반응한다 / 반응하지 않는다, 즉 1 / 0처럼 이진 출력(binary output)으로 설명하는 경우가 많습니다.

하지만 이렇게 이해합니다.

퍼셉트론은 먼저 점수 비슷한 값을 만들고, 그 값을 기준으로 어떤 쪽 판단을 낼지 정한다.

이 점이 중요한 이유는, 이후 활성화 함수(activation function)를 보면 출력 방식이 더 다양해지기 때문입니다.

즉, 1.1에서는 퍼셉트론을 가중합으로 점수를 만들고 판단으로 연결하는 단위로 먼저 잡습니다.

사례 및 예시¶

사례 1. 라인 재기동 승인¶

라인 정지 뒤 재기동을 승인하는 장면을 생각해 봅니다. 운영자는 압력 해소가 완료되었는가, 재기동 체크리스트가 확인되었는가, 차단 경보가 남아 있는가를 빠르게 훑고 결정을 내립니다. 사람도 여러 조건을 함께 보지만, 실제로는 모든 조건을 같은 무게로 보지 않습니다. 퍼셉트론은 이 장면을 숫자로 옮겨, 어떤 입력이 점수를 올리고 어떤 입력이 강하게 끌어내리는지 분리해서 남깁니다.

먼저 이 장면을 한 표로 정리하면 다음과 같습니다.

이 값을 퍼셉트론 계산으로 옮기면 다음처럼 읽을 수 있습니다.

최종 합이 기준보다 높으면 승인, 아니면 거절처럼 읽을 수 있습니다. 이 장면에서 중요한 것은 승인이라는 말 자체보다, 압력 해소와 체크리스트는 점수를 올리고 차단 경보는 점수를 크게 끌어내린다는 사실이 weighted sum 안에 드러난다는 점입니다.

이 사례의 판단 순서를 작은 흐름으로 다시 압축하면 다음과 같습니다.

flowchart TD
    A["라인 정지 후 재기동 대기"] --> B["압력 해소 / 체크리스트 / 차단 경보 확인"]
    B --> C["기존 기준: 전체 인상으로 판단"]
    B --> D["퍼셉트론 기준: 입력별 가중치 분리"]
    D --> E["가중합 + 편향 계산"]
    E --> F{"경계 위인가?"}
    F -- "예" --> G["재기동 승인"]
    F -- "아니오" --> H["재기동 보류"]

같은 장면을 입력 하나만 바꿨을 때 판단이 얼마나 크게 흔들리는가 기준으로 다시 보면 더 또렷합니다.

사람은 조건을 한꺼번에 보고 느낌으로 통과 여부를 정하기 쉽습니다. 퍼셉트론 관점에서는 각 입력이 점수를 얼마나 올리거나 내리는지 따로 봅니다. 특히 차단 경보는 -1.0 가중치로 최종 합을 크게 끌어내리므로, 승인/거절 결과만 보는 대신 어떤 입력 하나가 경계를 넘겨 결과를 뒤집었는지 추적할 수 있습니다.

사례 2. 경보 조치 우선순위 1차 판정¶

경보 조치 우선순위 1차 판정도 같은 방식으로 읽을 수 있습니다. 사람은 온도 재이탈이 있는가, 압력 흔들림이 큰가, 현장 호출이 발생했는가를 함께 보고 대략적인 위험 점수를 매깁니다. 퍼셉트론은 이런 신호에 서로 다른 가중치를 주어 전체적으로 즉시 조치 쪽에 얼마나 가까운가를 하나의 점수로 모읍니다. 그래서 막연한 위험하다는 판단이 어떤 입력이 얼마나 점수에 기여했는가라는 형태로 더 분명해집니다.

아주 단순한 1차 판정 기준을 다음처럼 잡아 보겠습니다.

이 장면에서는 온도 재이탈이 없어도, 압력 흔들림과 현장 호출이 함께 올라가면 최종 합이 기준을 넘어갑니다. 즉 온도는 괜찮으니 일단 안전하다처럼 한 항목으로 닫던 판단이, 여러 입력을 함께 모은 점수 판단으로 바뀝니다.

온도 재이탈이 없으면 일단 안전하다고 닫는 기준은 한 입력에 지나치게 의존합니다. 퍼셉트론으로 다시 읽으면 압력 흔들림과 현장 호출까지 합친 가중합을 먼저 보고, 어떤 신호가 실제로 점수를 더 많이 밀었는지 기여도로 분리합니다. 그래서 이 사례에서 확인해야 할 결과는 온도 재이탈 하나보다, 압력 흔들림과 현장 호출까지 합친 가중합이 실제로 판정을 뒤집는 핵심 입력을 더 분명하게 드러내는가입니다.

이 두 사례를 한 줄로 묶으면 퍼셉트론의 핵심은 같습니다.

여러 입력을 서로 다른 비중으로 합쳐 하나의 점수로 만들고, 그 점수로 판단한다.

여기서 한 걸음 더 가면, 퍼셉트론은 단순히 합산한다가 아니라 어느 입력이 경계를 넘기는 데 더 결정적으로 작용했는가를 보게 만드는 계산이라고도 읽을 수 있습니다.

라인 재기동 승인에서는 block_alarm 같은 강한 감점 입력이 최종 합을 아래로 끌어내릴 수 있습니다. 경보 조치 우선순위 1차 판정에서는 온도 하나보다 압력 흔들림과 현장 호출처럼 큰 기여를 한 입력들이 판단을 실제로 밀 수 있습니다. 두 사례에서 독자가 먼저 붙잡아야 할 결과는, 퍼셉트론의 핵심이 조건을 많이 본다가 아니라 어느 입력이 최종 판단을 실제로 밀거나 뒤집었는지 숫자로 남긴다는 점입니다.

연습 및 예제¶

Python 코드를 보지 않아도, 같은 입력을 세 장면으로 바꿔 놓으면 퍼셉트론이 무엇을 계산하는지 충분히 확인할 수 있습니다. 아래 표를 보고 각 장면이 왜 승인 또는 거절로 갈리는지 먼저 말해 봅니다.

이 표에서 독자가 먼저 붙잡아야 할 것은 결과 이름보다 어느 입력이 경계를 넘기거나 끌어내렸는가입니다.

짧게 점검해 보면 다음과 같습니다.

• 재기동 가능 장면과 경계 바로 아래 장면의 차이는 차단 경보가 아니라 체크리스트 확인 여부입니다.
• 경계 바로 아래 장면과 차단 경보 남음 장면은 둘 다 거절이지만, 하나는 승인 신호 부족이고 다른 하나는 강한 감점 신호 때문입니다.
• 따라서 퍼셉트론은 단순히 합산한다가 아니라, 어떤 입력이 결과를 실제로 뒤집었는지 읽게 하는 계산입니다.

즉, 퍼셉트론을 읽는 첫 감각은 다음처럼 잡으면 충분합니다.

출력은 갑자기 나타나는 것이 아니라, 입력과 가중치와 편향이 만든 합의 결과다.

언제 퍼셉트론 관점으로 먼저 읽는가¶

딥러닝 구조를 처음 펼칠 때는 곧바로 깊은 네트워크 이름으로 들어가기보다, 여러 입력을 서로 다른 중요도로 모아 하나의 판단으로 바꾸는 가장 작은 계산 단위가 무엇인가를 먼저 잡는 편이 좋습니다.

왜 아직 딥러닝처럼 보이지 않는가¶

여기서 이런 의문이 생길 수 있습니다.

이건 그냥 가중치를 둔 선형 판단 아닌가? 왜 이것이 딥러닝의 시작인가?

그 의문이 맞습니다. 퍼셉트론 하나만 보면 아직 깊지 않습니다. 층도 하나고, 표현도 단순합니다.

하지만 딥러닝의 핵심 계산 문법은 이미 여기 들어 있습니다.

• 값이 들어온다
• 가중치가 곱해진다
• 합쳐진다
• 출력이 다음 계산으로 넘어간다

이 단위가 여러 층으로 쌓이고, 활성화 함수가 들어가고, 역전파(backpropagation)로 가중치가 조정되면 우리가 보통 말하는 딥러닝 모델로 이어집니다.

즉, 퍼셉트론은 딥러닝의 완성형이 아니라, 딥러닝이 반복하는 가장 작은 계산 단위로 보는 편이 정확합니다.

이 절의 핵심은 퍼셉트론 이름을 외우는 일이 아니라, 신경망 계산의 가장 작은 문법을 고정하는 데 있습니다.

체크리스트¶

• 퍼셉트론을 입력 -> 가중치 -> 합 -> 출력 흐름으로 설명할 수 있는가?
• 퍼셉트론이 신경망의 출발점처럼 다뤄지는 이유를 말할 수 있는가?
• 퍼셉트론이 여러 입력을 가중합으로 모아 출력을 만드는 가장 단순한 신경망 판단 단위라는 점을 설명할 수 있는가?
• 가중치(weight)와 편향(bias)이 각각 입력 중요도 조정과 기준선 이동 역할을 한다는 점을 설명할 수 있는가?
• 이후 다층 신경망과 딥러닝도 이 기본 계산 단위를 반복하고 확장한다는 점을 알고 있는가?
• 신경망을 처음 설명할 때 복잡한 층 구조보다 가장 작은 계산 단위부터 잡아야 할 장면에서 퍼셉트론 관점을 먼저 떠올릴 수 있는가?
• 여러 입력 신호가 어떻게 하나의 판단으로 모이는지 흐려질 때, 가중치와 편향이 붙은 가중합 계산으로 다시 돌아갈 수 있는가?
• 퍼셉트론 설명만으로는 아직 선형 판단 단위까지만 닫고, 활성화와 다층 구조는 다음 절과 다음 장으로 넘긴다는 점을 알고 있는가?

출처와 참고 자료¶

• Frank Rosenblatt, The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Psychological Review, 1958, 확인 날짜: 2026-07-19. https://doi.org/10.1037/h0042519
• Warren S. McCulloch, Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, The Bulletin of Mathematical Biophysics, 1943, 확인 날짜: 2026-07-19. https://doi.org/10.1007/BF02478259
• Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016, 확인 날짜: 2026-06-28. https://www.deeplearningbook.org/
• Yann LeCun, Yoshua Bengio, Geoffrey Hinton, Deep learning, Nature, 2015, 확인 날짜: 2026-06-28. https://www.nature.com/articles/nature14539