[Boostcamp 4주차] DL Basics - CNN 1

📌 학습 개요

• Convolution Neural Networks
• parameters 개수 계산하기
• 1x1 Convolution

Convolution Neural Networks

Convolution 연산

• convolution filter (Kernel)를 도장 찍듯이 연산한다.
• O11 = I11K11 + I12K12 + I13K13 + I21K21 + I22K22 + I23K23 + I31K31 + I32K32 + I33K33 + bias

RGB Image Convolution

• Red, Green, Blue (RGB) -> 3개의 채널
• Output의 채널은 convolution filters의 개수에 따라 결정됨
  (그림처럼 4개의 커널 -> 4개의 output 채널)

Convolutional Neural Networks

• convolution layer, pooling layer, fully connected layer로 구성
  convolution layer + pooling layer => 특징 추출
  fully connected layer => 분류 등 decision making

• Stride
  

  필터를 적용하는 간격.

• Padding
  

  출력 데이터 크기를 조정하기 위해 convolution 연산 전 입력 데이터 주변을 특정값으로 채우는 것.

• 출력 데이터의 크기를 계산하는 수식
  

Parameters 개수 계산하기

• Padding 1, Stride 1, 3x3 Kernel
  

  이 모델의 파라미터 개수 : 3 x 3 x 128 x 64 = 73,728 개

  3x3 -> 커널 크기
  128 -> input 채널 크기
  64 -> output 채널 크기

1x1 Convolution

256x256의 spatial dimension은 그대로 유지하면서 channel은 128 -> 32로 차원 축소
depth는 깊게, parameters의 개수는 적게 만든다.