[220711-220717] 2022 GDSC ML Start Study - 10주차

이번주 스터디 목표, 스터디 범위

• [혼공머신] 이미지를 위한 인공 신경망 - 합성곱 신경망의 구성 요소
• [혼공머신] 이미지를 위한 인공 신경망 - 합성곱 신경망을 사용한 이미지 분류
• [혼공머신] 이미지를 위한 인공 신경망 - 합성곱 신경망의 시각화

이미지를 위한 인공 신경망 - 합성곱 신경망의 구성 요소

• 합성곱
• 케라스 합성곱 층
• 합성곱 신경망의 전체 구조

이미지를 위한 인공 신경망 - 합성곱 신경망을 사용한 이미지 분류

• 패션 MNIST 데이터 불러오기
• 합성곱 신경망 만들기
• 모델 컴파일과 훈련

이미지를 위한 인공 신경망 - 합성곱 신경망의 시각화

• 가중치 시각화
• 함수형 API
• 특성 맵 시각화

새롭게 배운 것

합성곱 신경망의 구성요소

• 합성곱은 밀집층과 비슷하게 입력과 가중치를 곱하고 절편을 더하는 선형 계산. 입력을 일부만 사용함
• 필터는 합성곱 층의 필터는 밀집층의 뉴런에 해당함
  필터의 가중치와 절편을 커널이라 부르며, 자주 사용되는 커널의 크기는 (3,3) 또는 (5,5)이며, 커널의 깊이는 입력의 깊이와 같음
• 특성 맵은 합성곱 층이나 풀링 층의 출력 배열로 필터 하나가 하나의 특성 맵을 만듦
• 패딩은 합성곱 층의 입력 주위에 0으로 채워진 픽셀
  - 밸리드 패딩: 픽셀을 사용하지 않음
  - 세임 패딩: 합성곱 층의 출력 크기를 입력과 동일하게 만들기 위해 입력에 패딩을 추가
• 스트라이드는 합성곱 층에서 필터가 입력 위를 이동하는 크기로 일반적으로 1픽셀 사용
• 풀링은 가중치가 없고 특성 맵의 가로세로 크기를 줄이는 역할을 수행함
  대표적으로 최대풀링과 평균풀링이 있으며 (2,2) 풀링으로 입력을 절반으로 줄임

합성곱 신경망의 시각화

• 가중치 시각화는 합성곱 층의 가중치를 이미지로 출력하는 것
  합성곱 신경망은 주로 이미지를 다루기 때문에 가중치가 시작적인 패턴을 학습하는지 알아볼 수 있음
• 특성 맵 시각화는 합성곱 층의 활성화 출력을 이미지로 그리는 것
  가중치 시각화와 함께 비교하여 각 필터가 이미지의 어느 부분을 활성화시키는지 확인할 수 있음
• 함수형 API는 케라스에서 신경망 모델을 만드는 방법 중 하나
  Model 클래스에 모델의 입력과 출력을 지정하며
  전형적으로 입력은 Input() 함수를 사용하여 정의하고 출력은 마지막 층의 출력으로 정의함