합성곱 연산2 39번째 이야기 - 합성곱층과 풀링층의 입력과 출력 합성곱층과 풀링층의 입력과 출력을 정리해볼까요?>● 입력 이미지가 합성곱 층을 통과하면 크기(가로×세로)는 그대로이지만, 이미지의 깊이가 늘어납니다. ● 말로는 잘 이해가 되지 않으니, 그림으로 정리해보도록 하겠습니다. ● 28×28 크기의 입력 이미지를 필터의 개수 4, 스트라이드 및 패딩이 1로 설정된 합성곱층(Conv_1)을 통과하면 출력이미지는 28×28 크기로 동일하지만, 이미지의 깊이는 4(28×28×4)가 됩니다. 이 출력이 하이퍼파라미터는 동일하게 유지한 채, 12개의 커널(=필터)를 만나 합성곱 연산을 거치면 다음과 같이 28×28×12가 되죠. ● 늘어난 깊이만큼 합성곱 연산을 통해 수용 영역은 넓어지게 됩니다. 즉, CNN은 합성곱 층에서 늘어난 깊이와 수용 영역 만큼 특징 학습이 이.. 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
