[머신러닝과 딥러닝] 19. CNN 기초

1. CNN이란? 

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

• CNN의 특징을 알려주는 부분 : Feature Maps
• 딥러닝 부분을 알려주는 부분 : Fully connected layer

---

2. CNN을 사용하는 이유

• 이미지를 분류할 때 DNN(Deep Neural Network)의 문제점이 있었음
  
  1. 일반적인 DNN은 1차원 형태의 데이터를 사용해야 함.
  2. 2차원 이상의 데이터가 입력되는 경우 flatten 시켜서 한 줄로 데이터를 변환 후 넣어야 함.
  3. 이미지의 공간적/지역적 정보가 손실
• DNN의 문제점을 해결하기 위해 이미지를 그대로(Row Input) 받음으로 공간적/지역적 정보를 유지 함.

---

3. 이미지 데이터

• 컬러 이미지는 3개의 채널로 이루어진 텐서를 말함
• 컴퓨터는 이미지를 숫자로 인식하여 연산을 진행 함.

• 이미지의 정보는 0 ~ 255까지 256개의 숫자로 표현
• 예) 빨강 255, 파랑 255, 초록 255 = 흰색
• 예) 빨강 0, 파랑 0, 초록 0 = 검정
• 예) 빨강 255, 파랑 0, 초록 0 = 빨강

---

4. Convolution 연산

• 컨볼루션 연산을 진행하면 출력 텐서의 크기가 작아짐
• 전방행렬 : 가로, 세로 길이가 같은 행렬을 뜻함.

---

5. 패딩

• 입력값 주위로 0을 넣어서 입력값의 크기를 인위적으로 키워 결과값이 작아지는 것을 방지함.

---

6. 2D 컨볼루션

• 컬러이미지에서는 2D 컨볼루션 연산을 수행함.(입력을 3개의 채널로 들어갔지만 출력은 1개로 나온다)

---

7. 폴링

• 중요한 특징을 추출하고 차원을 축소하기 위해 풀링 연산을 사용함
• MaxPool(MaxPool2D), AvgPool(AvgPool2D)

 

• 스트라이드(stride)
  • 필터를 적용하는 간격을 설정함
  • 필터를 적용해서 얻어낸 결과를 Feature map 또는 Activation map이라고 부름

---

8. 드롭아웃(Dropout) 레이어

• 오버피팅을 막기 위해 사용하는 레이어를 뜻함.
• 학습중일 때 랜덤하게 값을 발생하여 학습을 방해함으로 학습용 데이터에 결과가 치우치는 것을 방지함

9. FC Layer(Fully Connected Layer)

• 이미지를 분류 또는 설명하기 위해 예측하는 레이어를 뜻함.

---

CNN 체험하기

▷ 아래의 링크에 접속하여 어떤 방식으로 해당 숫자가 인식되었는지 확인이 가능합니다.

https://adamharley.com/nn_vis/

An Interactive Node-Link Visualization of Convolutional Neural Networks

 

---

CNN을 구성하는 레이어

1. Conv2D : 특징 추출
2. ReLU : 활성화 함수
3. MaxPool2D : 차원 축소
4. Conv2D : 특징 추출
5. ReLU : 활성화 함수
6. MaxPool2D : 차원 축소
7. ...
8. Flatten : 다차원에서 1차원으로 변경
9. Linear : 선형 회귀
10. ReLU : 활성화 함수
11. ...
12. Sigmoid 또는 Softmax로 출력