4. CNN(합성곱신경망)1강. CNN 원리

(1)

4. CNN(합성곱신경망) 1강. CNN 원리

학습목표

- CNN의 개념과 구조를 설명할 수 있다.

- CNN 은닉 계층에 대해 설명할 수 있다.

학습내용

- CNN 개념과 구조 - CNN 은닉 계층

1. CNN 개념과 구조 (1) CNN 개념

∙ Convolutional Neural Network(합성곱 신경망)

∙ 컬러 사진을 수치 데이터로 변경하면 데이터의 크기가 커짐

∙ 대상에 대한 특징을 인식하는 방식을 모델링

∙ 이미지 데이터를 다양한 방법으로 필터링하여 학습

∙ 이미지 학습을 위한 효율적인 알고리즘

(2)

(2) CNN 구조

∙주로 입력 부근 계층들을 합성곱 계층으로 구성, 출력 부근 층들을 완전 연결 계층으로 구성

[출처] 한빛미디어-코딩셰프의 3분 딥러닝, 케라스맛

2. CNN 은닉 계층

(1) 합성곱(Convolution) Layer ① 합성곱(Convolution) 연산

∙ 입력 데이터에 필터를 적용해 일정 간격으로 이동해가며 입력 데이터에 적용

(3)

∙ 합성곱(Convolution) 연산 결과

② 채널(Channel)

∙ 컬러 이미지는 각 픽셀을 RGB 3개의 실수로 표현한 3차원 데이터로 3개의 채 널(Channel)로 구성

[출처] https://upload.wikimedia.org/wikipedia/en/4/4c/Channel_digital_image_RGB_color.jpg

③ 차원 데이터 합성곱

∙ 주어진 채널 수만큼 각각의 다른 필터를 적용하여 연산

(4)

④ 패딩(Padding)

∙ Convolution Filter → 출력 이미지의 사이즈가 작아지게 됨

∙ Padding → 출력 이미지 사이즈를 그대로 유지 가능

④ 스트라이드(Stride)

∙ 입력 데이터에 필터를 적용할 때 이동할 간격을 조정하는 것

(5)

∙ Max Pooling

- 각 Pixel에서 최댓값을 뽑아내는 과정

∙ Average Pooling

- 각 Pixel에서 평균값을 뽑아내는 과정

∙ 평탄화(Flatten)

- 2차원/3차원의 행렬 구조를 1차원의 Vector로 변환하는 과정

(6)

(3) 완전 연결(Fully-connected) 계층

∙ 이전 계층의 모든 노드가 다음 계층의 모든 노드에 연결된 계층

(7)

학습정리

1. CNN 개념과 구조

∙ 이미지로부터 필요한 특징을 스스로 학습할 수 있는 능력을 갖춘 신경망

2. CNN 은닉 계층

∙ Convolution Layer

∙ Pooling Layer

∙ Fully-connected Layer 평가하기

1. 연산을 통해 이미지로부터 필요한 특징을 스스로 학습할 수 있는 능력을 갖춘 신경망을 고르시오.

① ANN

② DNN

③ CNN

④ RNN

- 정답 : ③번

해설 : CNN은 Convolution 연산을 통해 이미지로부터 필요한 특징을 스스로 학습할 수 있는 능력을 갖춘 신경망이다.

2. 일정 영역의 정보를 최대 값으로 축약하는 계층을 고르시오.

① Convolution Layer

② Average Pooling

③ Flatten

④ Max Pooling

- 정답 : ④번

해설 : 일정 영역의 정보를 최대 값으로 축약하는 계층을 Max Pooling 계층이다.