[패스트캠퍼스 수강 후기] 인공지능강의 100% 환급 챌린지 22회차 미션

인공지능강의

05. PART 4) 딥러닝의 3 STEP의 기초

33. 합성곱 신경망(CNN) - 03. (STEP 1) 기본적인 합성곱 신경망

합성곱 계층 Convolutional Layer

.합성곱 계층에서는 영상의 크기는 그대로이며, 영상의 채널 수가 달라진다.

.합성곱 계층에 의해서 추출된 결과는 공간적 특징이 있으며 '특징 맵(Feature Map)'이라고 한다.

 

풀링 계층 Pooling Layer

.풀링 계층은 여러 화소를 종합하여 하나의 화소로 변화하는 계층이다.

.풀링 계층을 통과하면 영상의 크기가 줄어들고, 정보가 종합된다.

.풀링 방법은 다양하지만, 가장 많이 쓰이는 방법은 최댓값과 평균값이다.

.합성곱 신경망의 애플리케이션에 맞는 풀링 계층을 사용한다.

 

평탄화 Flatten

.입력된 특징 맵의 모든 화소를 나열하여 하나의 벡터로 만드는 것을 평탄화라고 한다.

.아무 연산도 일어나지 않으며, 합성곱 계층과 전결합 계층을 연결하는 역할을 한다.

 

전결합 계층  Fully Connected Layer

.2개의 전결합 계층을 사용하여 최종 출력을 내어준다.

.이 과정은 합성곱 신경망으로 추출한 특징을 입력으로 얕은 신경망을 사용하는 것과 같다.

 

Softmax 함수

.다중 클래스 분류 문제를 해결하기 위해서 마지막 계층에는 Softmax 활성 함수를 사용한다.

 

Receptive Field

같은 크기의 필터여도, 풀리에 의해 작아진 특징 맵에 적용되면 원본 영상에서 차지하는 범위가 넓다.

이 범위를 Receptive Field라고 한다.

 

34. 합성곱 신경망(CNN) - 04. (STEP 2) 합성곱 신경망의 수식적 이해

전결합 계층의 수학적 표현

.FC 계층은 여러 개의 뉴런을 한 곳에 모아둔 것으로, Matrix 곱셈 연산으로 표현된다.

 

합성곱 계층의 수학적 표현

합성곱 계층은 C_in x C_out번의 합성곱 연산으로 이루어져 있다.

편향은 전결합 계층과 동일하게 하나의 벡터로 이루어진다.

 

Padding

.합성곱 연산시, 필터(커널)의 크기에 따라 영상의 크기가 줄어드는 문제가 있기 때문에 Padding사용.

.크기가 (2N + 1)인 커널에 대해, 상하좌우에 N개의 Zero-Padding을 해주면 된다.

 

Stride

.합성곱 연산에서 커널을 이동시키는 거리를 Stride라고 하며, 이를 크게 하면 출력의 크기가 줄어든다.

 

https://bit.ly/3g72Rmm

딥러닝/인공지능 올인원 패키지 Online. | 패스트캠퍼스