docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,161 @@
|
||||
---
|
||||
id: wiki-2026-0508-perceptrons-foundations
|
||||
title: Perceptrons-Foundations
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Perceptron, Rosenblatt Perceptron, MLP]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
verification_status: applied
|
||||
tags: [perceptron, neural-network, mlp, history, foundations]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: python
|
||||
framework: pytorch, numpy
|
||||
---
|
||||
|
||||
# Perceptrons-Foundations
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 weighted sum + threshold = NN의 atom"**. Rosenblatt 1957 perceptron — 매 first trainable neuron model. Single-layer 의 XOR fail (Minsky 1969) → AI winter. MLP + backprop (1986) 의 revival. 매 modern transformer 도 결국 stacked perceptron.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 history
|
||||
- 1943: McCulloch-Pitts neuron (binary, no learning).
|
||||
- 1957: Rosenblatt perceptron — 매 hardware Mark I, learnable weights.
|
||||
- 1969: Minsky & Papert "Perceptrons" — 매 XOR limit proven → first AI winter.
|
||||
- 1986: Rumelhart, Hinton, Williams — 매 backprop revives MLP.
|
||||
- 2012: AlexNet — 매 deep MLP/CNN era 시작.
|
||||
|
||||
### 매 perceptron 수학
|
||||
- `y = step(w·x + b)` where step(z) = 1 if z ≥ 0 else 0.
|
||||
- Update rule (Rosenblatt): `w ← w + η(y_true - y_pred)x`.
|
||||
- Convergence theorem: 매 linearly separable data 에 한해 finite steps 수렴.
|
||||
- Limit: 매 XOR (non-linearly separable) 학습 불가.
|
||||
|
||||
### 매 multi-layer (MLP)
|
||||
- Hidden layer + nonlinearity (sigmoid → ReLU → GELU).
|
||||
- Universal approximation theorem (Cybenko 1989, Hornik 1991): 매 single hidden layer with enough units 가 매 continuous function 근사 가능.
|
||||
- Training: backprop (chain rule으로 gradient 계산).
|
||||
|
||||
### 매 modern lens
|
||||
- Transformer FFN block = 2-layer MLP per token.
|
||||
- ViT, MLP-Mixer 등 매 pure-MLP 의 vision SOTA 도전.
|
||||
- 매 every "neural network" 의 atomic unit — perceptron.
|
||||
|
||||
### 매 응용
|
||||
1. Pedagogical (NN intro).
|
||||
2. Linear classifier (single perceptron).
|
||||
3. Building block (MLP in transformer).
|
||||
4. Mixture-of-Experts: each expert = MLP.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Perceptron from scratch
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
class Perceptron:
|
||||
def __init__(self, n_features, lr=0.1):
|
||||
self.w = np.zeros(n_features)
|
||||
self.b = 0.0
|
||||
self.lr = lr
|
||||
|
||||
def predict(self, x):
|
||||
return 1 if x @ self.w + self.b >= 0 else 0
|
||||
|
||||
def fit(self, X, y, epochs=100):
|
||||
for _ in range(epochs):
|
||||
for xi, yi in zip(X, y):
|
||||
pred = self.predict(xi)
|
||||
err = yi - pred
|
||||
self.w += self.lr * err * xi
|
||||
self.b += self.lr * err
|
||||
```
|
||||
|
||||
### XOR fails for single perceptron
|
||||
```python
|
||||
X = np.array([[0,0],[0,1],[1,0],[1,1]])
|
||||
y = np.array([0, 1, 1, 0]) # XOR
|
||||
p = Perceptron(2)
|
||||
p.fit(X, y, epochs=1000)
|
||||
# Will NOT converge — XOR is not linearly separable
|
||||
```
|
||||
|
||||
### MLP solves XOR
|
||||
```python
|
||||
import torch.nn as nn
|
||||
mlp = nn.Sequential(
|
||||
nn.Linear(2, 4), nn.ReLU(),
|
||||
nn.Linear(4, 1), nn.Sigmoid(),
|
||||
)
|
||||
# Train with BCELoss + Adam — converges in <1000 steps
|
||||
```
|
||||
|
||||
### Transformer FFN = MLP per token
|
||||
```python
|
||||
class FFN(nn.Module):
|
||||
def __init__(self, dim, hidden):
|
||||
super().__init__()
|
||||
self.up = nn.Linear(dim, hidden)
|
||||
self.down = nn.Linear(hidden, dim)
|
||||
def forward(self, x):
|
||||
return self.down(nn.functional.gelu(self.up(x)))
|
||||
```
|
||||
|
||||
### MLP-Mixer style (pure MLP vision)
|
||||
```python
|
||||
class MixerBlock(nn.Module):
|
||||
def __init__(self, n_patches, dim):
|
||||
super().__init__()
|
||||
self.token_mix = nn.Sequential(nn.Linear(n_patches, n_patches*4),
|
||||
nn.GELU(), nn.Linear(n_patches*4, n_patches))
|
||||
self.channel_mix = nn.Sequential(nn.Linear(dim, dim*4),
|
||||
nn.GELU(), nn.Linear(dim*4, dim))
|
||||
def forward(self, x): # (B, N, D)
|
||||
x = x + self.token_mix(x.transpose(1,2)).transpose(1,2)
|
||||
x = x + self.channel_mix(x)
|
||||
return x
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Linearly separable | Single perceptron OK |
|
||||
| Non-linear pattern | MLP (>=1 hidden layer) |
|
||||
| Tabular data | Tree models (XGBoost) usually beat MLP |
|
||||
| Image | CNN or ViT (still MLP-based) |
|
||||
| Sequence | Transformer (MLP + attention) |
|
||||
| Pedagogical | Start with perceptron history |
|
||||
|
||||
**기본값**: 매 modern model 의 building block 으로 MLP 이해.
|
||||
|
||||
## 🔗 Graph
|
||||
- 변형: [[MLP]]
|
||||
- 응용: [[MoE]]
|
||||
- Adjacent: [[데이터 사이언스 및 ML 엔지니어링|Backpropagation]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 NN fundamentals, debugging gradient flow, designing custom architectures.
|
||||
**언제 X**: 매 production tabular tasks (use GBDT instead).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Linear activation only**: 매 multi-layer linear = single linear (collapses). 매 nonlinearity 필수.
|
||||
- **Step function in modern NN**: 매 non-differentiable → backprop fail. 매 ReLU/GELU 사용.
|
||||
- **Too wide, too shallow**: 매 universal approximation 가능해도 deep 가 sample-efficient.
|
||||
- **Forgetting bias**: 매 b=0 forced → cannot shift decision boundary off origin.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Rosenblatt 1958, Minsky-Papert 1969, Rumelhart et al. 1986).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — perceptron history, XOR limit, MLP modern lens |
|
||||
Reference in New Issue
Block a user