CNN의 주요 구성 요소

CNN은 여러 개의 층으로 이루어져 있으며, 각 층은 이미지에서 중요한 정보를 추출하는 역할을 합니다.

CNN의 주요 구성 요소는 합성곱 층, 풀링 층, 활성화 함수, 완전 연결층이 있습니다.

합성곱은 이미지의 작은 부분을 하나씩 분석하는 과정입니다.

사진을 확대해서 보면 작은 네모 칸(픽셀)들로 이루어져 있는데, CNN은 이 픽셀들을 여러 개의 작은 창(필터)을 이용해 분석합니다.

필터는 얼굴 이미지에서 눈의 모양, 가장자리 선과 같이 이미지 내 중요한 부분을 찾아냅니다.

합성곱 연산은 돋보기와 같은 필터를 활용해 이미지의 특정 부분을 자세히 살펴보면서, 어디에 어떤 특징이 있는지 찾습니다.

합성곱 층은 이러한 합성곱 연산을 여러 번 반복하여 이미지의 중요한 특징을 추출합니다.

풀링은 이미지의 크기를 줄여 연산량을 낮추는 과정입니다.

사진의 화질을 최대한 유지한 채 용량을 줄이는 작업과 유사합니다.

풀링 과정에서는 작은 영역에서 가장 중요한 값(예: 가장 밝은 점)을 선택하여 대표 값으로 사용하는 최대 풀링(Max Pooling) 방식을 많이 사용합니다.

예를 들어 아래와 같이 4개의 숫자가 있을 때, 최대 풀링을 적용하면 가장 큰 값인 7을 선택합니다.

Copy
입력:  [2, 7, 3, 6]
출력:  7 (가장 큰 값 선택)

이와 같이 풀링층은 합성곱 층에서 추출한 특징을 유지하면서 이미지의 크기를 줄여 연산량을 줄이는 역할을 합니다.

CNN은 신경망이 복잡한 패턴을 학습할 수 있도록 활성화 함수를 사용합니다. 가장 널리 쓰이는 활성화 함수는 ReLU입니다.

ReLU 함수: 음수 값을 0으로 변환하고 양수 값은 그대로 유지하여 모델이 더욱 빠르게 학습할 수 있도록 돕는 활성화 함수

CNN은 활성화 함수를 통해 출력을 조절하며 이미지의 특징을 추출합니다.

CNN의 마지막에는 완전 연결층이 있습니다.

완결 연결층은 모든 뉴런이 이전 층의 모든 뉴런과 연결되어 있는 층으로, 합성곱과 풀링을 거쳐 추출된 특징을 바탕으로 최종적인 예측을 수행합니다.

Copy
입력 이미지: 고양이 사진
출력 확률:
고양이: 0.85 (85%)
강아지: 0.15 (15%)

완전 연결층은 출력 확률을 비교하여 가장 높은 확률을 가진 클래스를 최종 예측값으로 선택합니다.

이렇게 CNN은 합성곱, 풀링, 활성화 함수, 완전 연결층을 통해 이미지의 특징을 추출하고, 최종적으로 이미지를 분류합니다.

다음 수업에서는 합성곱 연산에 대해 자세히 알아보겠습니다.