CNN (Convolutional Neural Network)
Input Layer
- 입력된 이밎 데이터가 최초로 거치게 되는 Layer
- 높이, 넓이, 채널
Convolutional Layer
- 지역 패턴을 학습
- 입력 데이터의 특징(feature)을 추출하는 레이어
- 특정 크기를 가지는 필터로 이미지 전체를 슬라이딩하면서 합성곱 연산을 수행하는데, 이 과정 자체가 이미지 데이터의 공간적 상관관계를 추출하는 것이다.
- conv layer가 겹겹이 쌓이면 점점 더 큰 영역의 상관관계를 추출하게 된다.
- kernel, padding
Pooling Layer
- Convolutional Layer 와 유사하게 feature map의 차원을 다운 샘플링하여 연산량을 감소시키고, 주요한 특징 벡터를 추출하여 학습을 효과적으로 하는 것
- 가장 중요한 정보를 유지하는 동시에, 각 피쳐의 정보량을 줄인다.
- Max Pooling
- Average Pooling
- Min Pooling
Activation Function
- 합성곱 연산을 거친 Feature Map은 활성화 함수를 거치게 된다.
- ReLu 등
Flatten Layer
- 고차원 특성을 가진 데이터를 분류/예측을 위한 Fully Connected Layer에 적용되는 벡터 형태의 인풋을 만들어주는 역할을 한다.
- 다층 구조 연결 : CNN에서 추출한 고차원 특성을 FC layer와 같은 1차원 구조의 층에 전달하는 중요한 다리 역할
- 학습 가능성 향상 : 데이터를 평탄화함으로써, 다양한 층에서 학습이 가능해지고, 딥러닝 모델의 성능을 극대화할 수 있다.
- 모델 구조 단순화 : 복잡한 데이터 구조를 단순화하여 모델의 구조를 이해하기 쉽게 만든다.
Fully Connected Layer (FC)
- Dense layer라고도 함.
- 한 layer의 모든 뉴런이 다음 layer의 모든 뉴런과 연결된 상태를 말한다.
- 하나 혹은 하나 이상의 FC layer를 적용시키고, 마지막에 softmax activation function을 적용해주면 분류가 된다.
Output Layer
개발자