[혼공 머신] 혼자 공부하는 머신러닝 정리하기 - Chapter 08-1, 08-2

08-1 합성곱 신경망의 구성 요소

합성곱

합성곱은 밀집층과 비선형 활성화 함수의 결합을 통해 입력과 가중치를 곱하고 절편을 더하는 선형 변환입니다. 그러나 밀집층과 달리 각 합성곱은 입력 전체가 아니라 일부만 사용하여 선형 변환을 수행합니다.

합성곱 층의 필터는 밀집층의 뉴런에 해당합니다. 필터의 가중치와 절편은 중첩 커널이라고 부릅니다. 자주 사용되는 커널의 크기는 (3, 3) 또는 (5, 5)입니다. 커널의 깊이는 입력의 깊이와 같습니다.

특성 맵

특성 맵은 합성곱 층이나 풀링 층의 출력 배치를 의미합니다. 필터 하나가 하나의 특성 맵을 만듭니다. 합성곱 층에 5개의 필터를 적용하면 5개의 특성 맵이 만들어집니다.

패딩

패딩은 합성곱 층 입력 주위에 추가한 0으로 채워진 픽셀입니다. 패딩을 사용하지 않는 것을 벗어나기 위해 합성곱 층의 출력 크기를 입력과 동일하게 만들기 위해 입력에 패딩을 추가하는 것을 의미합니다.

스트라이드

스트라이드는 합성곱 층에서 필터가 입력 위를 이동하는 크기입니다. 일반적으로 스트라이드는 1 픽셀을 사용합니다.

풀링

풀링은 가중치가 없고 특성 맵의 크기를 줄이는 역할을 수행합니다. 대표적으로는 최대 풀링과 평균 풀링이 있으며, (2, 2) 풀링으로 입력을 절반으로 줄입니다.

확인문제

1. 풀링을 수행하기 전 특성 맵의 크기는 풀링 후 크기에 풀링 크기를 곱해 주면 됩니다. 4 (8, 8, 5)

 

2. (5, 5)

3.

정확한 설명이 부족하여 (stride, padding 모름) 그냥 했다.

 

08-2 합성곱 신경망을 사용한 이미지 분류

입력 이미지는 항상 깊이(채널) 차원이 있어야 합니다.

 

전체 모델의 대략적인 구조는 위와 같다.

합성곱 층과 풀링 층의 효과가 잘 나타나 있습니다.

깊이가 32 -> 64로 늘어나기도 하고 가로 세로는 절반으로 두번이나 줄어듭니다.

 

 

만약 이 모델을 실전에 투입해서 패션 아이템을 분류한다면 90%의 성능을 기대할 수 있을 것 같습니다.

 

확인문제

1. 2

2. 4

3. 4

 

혼공머신_챕터08_2.ipynb

0.33MB