• 입력층: 신경망의 입력을 받는 부분으로, 각 입력은 각각의 노드에 전달됩니다.
• 은닉층: 입력층과 출력층 사이에 위치하며, 입력값을 받아 가중합을 계산하고 활성화 함수를 통과한 값을 다음 층에 전달합니다.
• 출력층: 신경망의 결과를 내보내는 부분으로, 최종 출력값을 계산하여 출력합니다.

뉴런은 입력값과 가중치의 곱을 모두 더한 값을 활성화 함수에 적용하여 출력값을 생성합니다. 이러한 과정을 여러 번 반복하여(학습) 신경망은 입력값과 기대 출력값 간의 관계를 파악하고, 적절한 가중치를 학습하게 됩니다. 주로 사용되는 활성화 함수로는 시그모이드 함수, ReLU 함수 등이 있으며, 이러한 함수를 통해 비선형적인 특성을 갖게 됩니다.

이러한 구조를 통해 신경망은 복잡한 비선형 관계를 모델링할 수 있으며, 이를 통해 이미지, 음성, 자연어 등 다양한 데이터에서 유용한 특징을 추출하고 예측을 수행할 수 있습니다.

추가로 학습된 신경망은 손실 함수를 통해 예측 결과와 실제 값 사이의 차이를 계산하고, 이 손실을 최소화하는 방향으로 학습됩니다. 예를 들어, 역전파(backpropagation) 알고리즘을 사용하여 가중치를 조정하고 손실을 줄이는 방향으로 신경망이 학습됩니다.