부스트코스 강의 딥러닝 기초 다지기 중 'CNN - Convolution은 무엇인가?'를 정리한 내용이다.
-
출력이미지의 채널값과 사이즈는 입력이미지와 필터의 채널값과 사이즈를 통해 구할 수 있다. 사이즈는 "입력이미지 사이즈 - 필터 사이즈 + 1" 이고 채널값은 필터의 채널값(개수)으로 변한다.
-
CNN은 Convolution layer, pooling layer, fully connected layer로 구성되어 있다.
- Convolution, Pooling layers는 이미지에서 유용한 정보를 뽑아주는 feature extraction 역할을 하고, fully connected layer는 분류를 하거나 회귀를 하여 원하는 출력값을 얻어주는 역할을 한다.
- Convolution, Pooling layers는 이미지에서 유용한 정보를 뽑아주는 feature extraction 역할을 하고, fully connected layer는 분류를 하거나 회귀를 하여 원하는 출력값을 얻어주는 역할을 한다.
-
Stride: Convolution filter를 얼마나 자주 찍을지를 나타낸다.
-
Padding: Convolution operations을 하면 Output의 크기가 줄어드므로 값을 덧대어준다. 가장자리의 특징도 구할 수 있게 해준다.
-
parameter의 개수 구하기
-
Dense layer가 훨씬 더 많은 parameter를 갖게 된다.
-
모델의 발전하기 위해 parameter를 줄이는게 중요한데, 그러기 위해선 뒷단의 fully connected layer를 최대한 줄이고, 앞단의 convolution layer들을 깊게 쌓는게 유리하다.
-
-
1x1 Convolution
- Dimenssion Reduction을 위해 사용한다.
- 깊이를 깊게 하면서 파라미터의 개수는 줄일 수 있게 된다.
