케라스2 36번째 이야기 - 케라스, 스트라이드, 패팅, 손실함수, 풀링(pooling) 코드는 함수형태로 되어 있어 개념이해를 먼저 하시는게 여러모로 좋은 듯 합니다. 코드는 케라스를 활용하면 아래 내용으로 인자값 설정만 해주면 됩니다. from keras.layers import Conv2D model.add(Conv2D(filters=16, kernel_size=2, strides='1', padding='same', activation='relu')) ● 스트라이드와 패딩의 목적을 정리해봅시다. 하나는 이미지의 중요 디테일을 놓치지 않고 다음 층으로 전달하기 위함입니다(스트라이드가 1이고, 패딩을 사용하면 이미지 크기를 같게 유지할 수 있음). ● 두 번째는 이미지의 공간적 정보 계산의 부하를 적절한 수준으로 감소시키기 위함입니다. 제로 패딩을 통해 출력의 크기를 유지하면서도 값을.. 2024. 6. 2. 34번째 이야기 - 합성곱, 커널, 입력 이미지, 가중합, 합성곱층 ● 일단 위 그림에서 합성곱 연산의 식을 보고, 왜 저런 계산이 나왔는지를 이해해보시면 좋습니다.● 다음글에서 이어서 마저 살펴보도록 하죠! ● 합성곱 필터(커널)는 입력 이미지 위를 이동하면서 입력 이미지 전체를 커버합니다. 이 과정에서 입력 이미지가 여러번 중첩되므로, 수용 범위가 넓어진다는 장점이 있습니다. ● 어쨌든, 커널이 한번 움직일 때마다 픽셀 단위로 가중합이 계산되어 필터 중심에 해당하는 픽셀의 새로운 값이 결정됩니다. 이런 식으로 특징 맵이 만들어지게 됩니다. ● 기억합시다. 합성곱층은 합성곱 연산을 통해 이미지 데이터의 특징 학습이 일어나는 곳입니다. 이미지 특징 학습의 결과물이 바로 특징 맵이고, 이 특징 맵을 기반으로 전결합층에서 시험 데이터에 대해 '분류' 작업을 시행합니다... 2024. 6. 2. 이전 1 다음
