밑바닥부터 시작하는 딥러닝 1 : 7장 합성곱 신경망(CNN)

7-1. 전체 구조

이전까지의 신경망 : 인접하는 계층의 모든 뉴런과 결합 - 완전연결(Affine계층)

CNN으로 이루어진 네트워크

 

7-2. 합성곱 계층

<완전연결 신경망> - Affine 계층 사용 

인접하는 계층의 뉴런이 모두 연결되고 출력의 수는 임의로 정함.

문제점 

1.데이터의 형상이 무시된다.

이미지 : 가로*세로*채널(색상) 3차원 데이터 - 공간적 정보를 포함

 

<합성곱 신경망>

데이터의 형상을 유지. 3차원 데이터로 입력받으며, 다음 계층에도 3차원으로 전달

 

feature map : 합성곱 계층의 입출력 데이터 (입력 : input feature map, 출력 : output featuremap)

합성곱 연산 - 입력 데이터에 '필터' 적용 - 입력과 필터에서 대응하는 원소끼리 곱한 후 총합 구함.

 

padding : 입력데이터 주변을 특정값(0)으로 채움 

합성곱 연산을 거칠 때마다 크기가 작아지는 것을 막음 >> 입력 데이터의 공간적 크기를 고정한 채로 다음 계층에 전달

 

stride : 필터를 적용하는 위치의 간격

3차원일 때)

입력 필터의 채널 수 = 필터의 채널 수

필터 1개 : 입력 필터의 채널은 여러개지만 출력의 채널은 1

필터 여러개 : 입력 필터의 채널은 여러개지만 출력의 채널은 여러개

 

 

 

7-3. Pooling 계층

Pooling : 세로 * 가로 방향의 공간을 줄이는 연산

-학습해야할 매개변수가 없다.

-채널 수가 변하지 않는다(채널마다 독립적으로 계산)

-입력의 변화에 영향을 적게 받는다.

 

1.입력 데이터 전개

2.행별 최댓값 구함

3.적절한 모양으로 성형