합성곱 신경망(CNN)-전체 구조 훓어보기

CNN의 전체 구조

일반적인 신경망은 인접하는 계층의 모든 뉴런과 결합되어 있습니다. 이를 완전연결이라고 하며, 완전히 연결된 계층을 Affine 계층으로 구현했습니다.

CNN의 구조는 완전연결계층(Fuuly-Connected Layer)과는 다른점이 있습니다. 완전연결계층에서는 Affine계층으로 구현했지만, CNN에서는 아래의 그림처럼 합성곱 계층과 폴링 계층이 추가됩니다. 

그리고 출력에 가까운 층에서는 다시 Affine-ReLU 구성을 사용할 수 있습니다. 마지막 계층에서는 Affine-Softmax 조합을 그대로 사용합니다.

합성곱 신경망(CNN)

합성공 신경망(CNN)은 음성 인식이나 이미지 인식에서 주로 사용하는데, 특히 이미지 인식 분야에서는 딥러닝을 활용한 기법이 거의 다 CNN을 기초로 합니다. 다차원 배열을 처리하도록 구성되어 있어, 컬러 이미지와 같은 다차원 배열 처리에 특화되어 있습니다.

완전연결계층의 문제점은 데이터의 형상을 무시한다는 점입니다.(1차원은 담을 수 있지만 3차원은 담지 못함)이미지는 3차원이고 이 공간에는 3차원 속에서 의미를 갖는 본질적인 패턴이 숨어 있을 것입니다.  반면, 합성곱 계층은 형상을 유지합니다.

CNN에서는 합성곱 계층의 입출력 데이터를 feature map이라고도 합니다. 입럭 데이터는 input feature map, 출력 데이터는 output feature map이라고 합니다.