😏:Cnn

합성곱 신경망^{convolutional neural network}은 컴퓨터 비전 분야에서 주로 쓰이는 신경망입니다.

합성곱 계층

합성곱 계층은 합성곱으로 이루어진 신경망 계층을 일컫습니다. 합성곱은 2차원 데이터의 일정 영역 내 값을 하나의 값으로 압축하는 연산을 말합니다. 전체 영역에서 중요한 특징만 추출하는 효과가 있습니다.

합성곱 연산에는 필터가 필요합니다. 필터는 입력 데이터에서 특정한 필터링하는 역할을 합니다.
합성곱 연산 예시

합성곱연산은 입력데이터와 필터의 행과 열을 맞춰 곱한 뒤 모두 더하면 됩니다. 합성곱 연산으로 얻은 결과를 특성 맵 또는 피처 맵이라고합니다.

패딩

합성곱 연산은 데이터의 크기를 줄이기 때문에 여러번 반복하면 더 이상 합성곱 연산을 적용하지 못하게 됩니다. 이런 상황을 막으려면 출력되는 특성 맵과 입력 데이터의 크기를 동일하게 유지하면 될 것입니다. 그러려면 입력 데이터 크기를 좀 더 키우면 됩니다. 이를 위해서 입력 데이터 주변을 특정 값으로 채우는 것을 패딩^padding이라고합니다.

스트라이드

합성곱 연산을 수행할 때, 필터는 입력 데이터의 왼쪽에서 오른쪽으로, 위에서 아래로 한 칸씩 이동하며 연산합니다. 이때 한 번에 이동하는 간격을 스트라이드라고합니다.

풀링

풀링은 특성 맵 크기를 줄여 이미지의 요약 정보를 추출하는 기능을 합니다.

합성곱과 풀링의 차이
합성곱은 필터와 관련이 있습니다. 필터의 패턴과 유사한 영역을 추출합니다. 반면 풀링은 필터가 필요없습니다. 특정영역에서 최대값이나 평균값을 가져와 요약정보를 구하기 떄문입니다.

전결합

이전 계층의 모든 노드 각각이 다음 계층의 노드 전부와 연결된 결합을 전결합이라고 합니다.
전결합으로 구성된 계층을 전결합계층 또는 밀집 계층이라고 합니다.

합성곱 계층과 풀링계층을 거친 2차원 데이터는 1차원으로 바뀐 뒤 전결합을 적용할 수 있습니다. 이렇듯 다차원 데이터를 1차원 데이터로 바꾸는 작업을 평탄화라고 합니다.

==> 성능향상을위한 딥러닝 알고리즘