목차

1. CNN이란?
2. 레이어란?
3. 대표적인 레이어 종류와 역할
   1. 1. 합성곱 레이어
   2. 2. 활성화 레이어
   3. 3. 풀링 레이어
   4. 4. 플래튼 레이어
   5. 5. 완전 연결 레이어
   6. 6. 출력 레이어

CNN이란?

합성곱 신경망이란 이미지, 영상과 같이 공간적 구조를 가진 데이터로부터 특징을 자동으로 학습하기 위해 설계된 딥러닝 모델이다.

사람의 뉴런과 비슷하게, 이미지의 작은 영역에서 특징을 추출해내기도 하고 엣지→형태→객체와 같은 계층적 표현 학습이 이루어진다.

그래서 CNN은 이미지 분류, 객체 탐지, 얼굴 인식 등에서 많이 사용된다.

레이어란?

신경망을 구성하는 하나의 처리 단계

딥러닝 관련하여 필수적으로 알아야하는 용어 중 하나가 이 Layer이다.

CNN도 마찬가지로 다수의 레이어로 이루어져 있고, 각 레이어들은 입력을 받아서 특정 연산을 수행한 후, 그 결과를 다음 단계로 전달한다.

신경망은 이렇게 여러 레이어를 계층적으로 쌓음으로써, 단순한 특징에서 점점 복잡하고 추상적인 특징들을 학습하게 된다.

이제 레이어의 역할들을 살펴보자.

대표적인 레이어 종류와 역할

1. 합성곱 레이어

• 이미지의 특징을 추출.
• 필터(커널)을 사용하여 이미지의 지역적인 패턴(ex 선)을 감지하고, 특징 맵으로 만들어냄.

2. 활성화 레이어

• 합성곱 레이어의 출력에 비선형성을 부여해서, 모델이 더 복잡한 데이터 패턴을 학습할 수 있도록 함.
• 이 때, ReLU 함수가 많이 쓰임. (음수 값은 0으로 만들고 양수 값은 유지하는 방식)

3. 풀링 레이어

• 특징 맵의 차원을 축소하고, 세부 정보를 제거함으로써 복잡도를 낮춤.
• 이렇게 하여 작은 위치변화에 덜 민감하게 만들어 과적합을 방지하고 일반화 성능을 향상시킴
• 풀링에도 종류가 많은데, 보통 Max Pooling방식 많이 사용.

4. 플래튼 레이어

• (보통은 풀링 레이어를 통해 줄어든) 특징 맵을 1차원 벡터로 변환.

5. 완전 연결 레이어

• 플래튼 레이어에서 넘어온 1차원 벡터를 받아서, 최종적인 분류나 회귀 작업을 위한 추상적인 정보를 통합.
• “완전 연결”이라는 말과 같이, 모든 뉴런이 서로 연결되어 있음.

6. 출력 레이어

• 최종 예측값을 출력
• 분류 문제나 회귀 문제 등 상황에 따라 적절한 활성화 함수를 사용해서 원하는 형태의 출력을 내보냄.