[DL] CNN 기초, 체험사이트

1. CNN(Convolutional Neural Networks)

• 합성곱 인공 신경망
• 전통적인 뉴럴 네트워크에 컨볼루셔널 레이어를 붙인 형태
• 컨볼루셔널 레이어를 통해 입력 받은 이미지에 대한 특징(Feature)을 추출하게 되고, 추출한 특징을 기반으로 기존의 뉴럴 네트워크에 이용하여 분류

 

---

 

---

1-1. CNN을 사용하는 이유

• 이미지를 분류할 때 DNN(Deep Neural Network)의 문제점
  • 일반적인 DNN은 1차원 형태의 데이터를 사용해야 함
  • 2차원 이상의 데이터가 입력되는 경우 FLATTEN 시켜서 한 줄로 데이터를 변환 후 넣어야 합니다.
  • 이미지(영상)의 공간적/지역적 정보가 손실
• CNN은 이미지를 그대로 (Raw Input)받음으로 공간적/지역적 정보를 유지

---

1-2. CNN에서의 이미지데이터

• 컬러 이미지는 3개의 채널로 이루어진 텐서
• 컴퓨터는 이미지를 숫자로 인식하여 연산을 함

• 이미지 정보는 0 ~255까지의 256개의 숫자로 표현
• 빨강 255, 파랑 255, -> 흰색
• 빨강 0, 파랑0, 녹색0 ->검정
• 빨강 255, 파랑0, 녹색0 -> 빨강

---

keyboard_arrow_down

2. Convolution 연산

• Convolution 연산을 진해아혐 출력 텐서의 크기가 작아짐.

---

• 패딩 : 입력값 주위로 0을 넣어서 입력값의 크기를 인위적으로 키워 결과값이 작아지는 것을 방지

---

*2d 컨볼루션 : 컬러이미지에서는 2d 컨볼루션 연산을 수행

---

• 풀링 : 중요한 특징을 추출하고 차원을 축소하기 위해 풀링 연산을 사용, MaxPool 또는 AvgPool을 사용
• 스트라이드 : 필터를 적용하는 간격을 설정

---

• 드롭아웃 (Dropout)레이어
  • 오버피팅을 막기 위해 사용하는 레이어
  • 학습중일 때 랜덤하게 값을 발생하여 학습을 방해함으로 학습용 데이터의 결과가 치우치는 것을 방지함
• FC 레이어
  • 이미지를 분류 또는 예측하기 위해 사용하는 레이어

---

*3. CNN를 구성하는 레이어

• Conv2D: 특칭 추출
• ReLU: 활성화 함수
• MaxPool2D : 차원 축소
• ...
• Flatten: 다차원에서 1차원으로 변경
• Linear: 선형회귀
• ReLU : 활성화 함수
• Linear:선형회귀
• ReLU : 활성화 함수
• ...
• Sigmoid /Softmax 함수에대한 출력

---

4. CNN 체험하기

• CNN체험