딥러닝 공부- 합성곱 신경망 (CNN: Convolutional Neural Network)1

http://www.yes24.com/Product/Goods/107664335

딥러닝 파이토치 교과서 - YES24

http://www.yes24.com/Product/Goods/34970929

밑바닥부터 시작하는 딥러닝 - YES24

#이 글은 위의 두책을 통해 배운 내용을 정리한 글이다.

 

 

합성곱 신경망은 음성 인식이나 이미지/ 영상 인식에서 주로 사용되는 신경망이다. 다차원 배열 데이터를 처리하도록 구성되어 컬리 이미지 같은 다차원 배열 처리에 특화되어 있으며, 다음과 같이 계층 다섯 개로 구성된다.

1. 입력층
2. 합성곱층
3. 풀링층
4. 완전연결층
5. 출력층

입력층은 입력 이미지 데이터가 최초로 거치게 되는 계층이다. 이미지는 단순 1차원의 데이터가 아닌 높이, 너비, 채널의 값을 갖는  3차원 데이터이다. 

합성곱층은 입력 데이터에서 특성을 추출하는 역할을 수행한다. 이 특성 추출은 입력 이미지가 들어왔을 때 이미지에 대한 특성을 감지하기 위한 커널이나 필터를 통해서 이루어 진다. 커널이나 필터는 이미지의 모든 영역을 훑으면서 특성을 추출하게 되는데 이렇게 추출된 결과물이 특성 맵 이다. 이때 스트라이드라는 지정된 간격에 따라 순차적으로 추출한다.

합성곱층의 행렬 크기를 요약하자면 이렇다

• 입력 데이터: W X H X D (W:가로 , H:세로 , D:채널 또는 깊이)
• 하이퍼 파라미터( 필터 개수:K, 필터 크기: F, 스트라이드: S,패딩:P)
• 출력 데이터:W' X H' X D' (W'=(W-F+2P)/S+1, H'=(H-F+2P)/S+1, D'=K)

풀링층은 합성곱층과 유사하게 특성 맵의 차원을 다운 샘플링하여 연산량을 감소시키고 주요한 특성 벡터를 추출하여 학습을 효과적으로 할 수 있게 한다. 이런 풀링 연산에는 최대 풀링과 평균 풀링이 있는데 대부분은 최대 풀링을 사용한다. 왜냐하면 각 커널별로 중요한 가중치를 갖는 값의 특성이 평균 풀링에서는 희미해 질 수 있기 때문이다. 풀링연산도 마찬가지로 스트라이드를 이용한다. 풀링층의 행렬 크기를 요약하자면 이렇다.

• 입력 데이터: W X H X D (W:가로 , H:세로 , D:채널 또는 깊이)
• 하이퍼 파라미터(필터 크기: F, 스트라이드: S)
• 출력 데이터:W' X H' X D' (W'=(W-F)/S+1, H'=(H-F)/S+1, D'=D)

완전연결층은 합성곱층과 풀링층을 거치면서 차원이 축소된 특성맵을 3차원 벡터에서 1차원 벡터로 펼쳐주는 역할을 한다.

출력층은 소프트맥스 활성화 함수를 사용해 입력받은 값을 0~1 사이의 값으로 출력한다. 이때 가장 높은 확률 값을 갖는 레이블이 최종 값으로 선정된다.

 

 오늘은 여기까지 공부해봤다. 좀 간단하게 적었지만 위의 내용들 속에서도 많은 세부내용들이 있었다. 내일은 전이학습부터 이미지 분류에 주로 사용되는 합성곱 신경망의 유형을 공부해보겠다.