딥러닝 모델의 등장
ImageNet Large Scale Visual Recognition Challenge winners
![](https://velog.velcdn.com/images/pluto_0905/post/b55421bf-cc60-4f68-af37-9ba19e101842/image.png)
AlexNet 구조
Convolution - Pooling - Batch Normalization의 구조
![](https://velog.velcdn.com/images/pluto_0905/post/26c53e8c-269a-4f2d-8fa4-2bfe5eb03304/image.png)
Convolution Layer
![](https://velog.velcdn.com/images/pluto_0905/post/19c7ceaa-8426-4e17-b7d9-07df3976b377/image.png)
![](https://velog.velcdn.com/images/pluto_0905/post/8611a36b-07e5-4c50-99f6-989cb27c7f02/image.png)
![](https://velog.velcdn.com/images/pluto_0905/post/b0acd966-baed-4a7f-9b21-892f3a1ed376/image.png)
Active Function
![](https://velog.velcdn.com/images/pluto_0905/post/fcd9b4c2-d12d-4b17-9dd3-835e9b7941ab/image.png)
ReLU가 가장 좋은 성능을 보여 도입 !
Pooling Layer
![](https://velog.velcdn.com/images/pluto_0905/post/0e26af3b-4352-4248-8081-f708d64f0404/image.png)
![](https://velog.velcdn.com/images/pluto_0905/post/f554c6b6-5137-4038-be32-7a2d29a051cd/image.png)
Overlapping Pooling을 했을 때 그렇지 않은 경우 (F=2, S=2)보다 좋은 성능을 보였다고 함
![](https://velog.velcdn.com/images/pluto_0905/post/7243c883-c470-4f7a-aa94-fc3c3fdd13f8/image.png)
Local Response Normalization
![](https://velog.velcdn.com/images/pluto_0905/post/74fc6387-0f03-4fba-8f4d-44ea2789ceb2/image.png)
Lateral Inhibition 현상: 강하게 활성화된 뉴런이 다른 뉴런의 값을 억제하는 현상
![](https://velog.velcdn.com/images/pluto_0905/post/e2a49de3-28ff-40f5-8831-4e168db744c5/image.png)
- 너무 강하게 활성화된 뉴런이 있을 경우 주변 뉴런들에 대해서 Normalization 진행
- Normalize를 통해 강하게 활성화된 뉴런의 값을 감소시켜, 특정 뉴런만 활성화되는 것을 막음
- 이후에는 Batch Normalization을 주로 사용
Overfitting 방지
Data Augmentation
학습 데이터에 변형(Augmentation)을 가해서 좀 더 다양성을 지닌 데이터로 학습될 수 있도록 하는 방법![](https://velog.velcdn.com/images/pluto_0905/post/7cbd87c2-d1fb-4de9-9282-ba68da3090b7/image.png)
Drop Out
- 뉴런 중 일부를 일정 비율(p)로 생략하면서 학습을 진행하는 방법
- 몇몇 뉴런의 값을 0으로 바꾸어서 학습 시에 영향을 미치지 못하도록 만들어 일정 뉴런의 값에 치중해 학습되는 것을 방지함
- Dropout은 학습 시에만 행해지고, 테스트를 할 때는 모든 뉴런을 사용함