# conv2d
이미지를 위한 인공 신경망
이번 시간은 이미지를 위한 인공 신경망에 대해서 알아보겠다. 먼저 배워볼 것은 합성곱 신경망을 구성하는 기본 개념과 동작 원리이고, 간단한 합성곱, 폴링 계산 방법을 익혀볼 것이다. 합성곱 신경망의 구성 요소 합성곱 신경망(Convolutional Neural Network, ConvNet)이란? 합성곱 신경망은, 시각적 이미지 분석에 주로 사용되는 신경망으로, 입력 이미지로부터 유용한 특성만 추출하여 입력 이미지가 어떤 이미지인지 클래스로 분류하는 신경망이다. 인공 신경망의 경우 입력 데이터 전체에 가중치를 적용하는 반면, 합성곱 신경망의 경우 적은 수의 가중치를 곱하게 된다. 합성곱에서는 뉴런이라는 말 대신 필터라고 부르고, 필터에서 말하는 가중치를 커널이라고 한다. 필터를 커널이라고 혼용하는 경우도 많다. 그리고, 출력으로 얻게 된 결과를 특성 맵이라고 한다. 중요한 점 하나는 합성곱 층에
딥 러닝5 - tensorflow_datasets
새싹 인공지능 응용sw 개발자 양성 교육 프로그램 심선조 강사님 수업 정리 글입니다. tensorflow_datasets Downloading and preparing dataset 89.91 MiB (download: 89.91 MiB, generated: Unknown size, total: 89.91 MiB) to dataset/eurosat/rgb/2.0.0... Dl Completed...: 0 url [00:00, ? url/s] Dl Size...: 0 MiB [00:00, ? MiB/s] Extraction completed...: 0 file [00:00, ? file/s] Generating splits...: 0%| | 0/1 [00:00<?, ? splits/s] Generating train examples...: 0%| | 0
CNN 기초 개념
Convolution(합성곱) : 이미지 상의 어떠한 특징이 어느 부분에서 나타나는지를 찾는 방법 이미지 처리와 신호 처리 분야에서 매우 유명한 도구 합성곱 신경망은 크게 합성곱층과(Convolution layer)와 풀링층(Pooling layer)으로 구성 합성곱 연산을 통해서 이미지의 특징을 추출하는 역할 conv2D parameter 종류 **1. filters ** 몇 개의 다른 종류의 필터를 활용할 것인지를 나타냄 출력 모양의 깊이(depth)를 결정 filters= 를 생략하고 숫자만 사용할 수 있음. 필터의 개수에 따라 출력 이미지 수도 바뀜. **2. kernel_size ** n×m 크기의 행렬 높이(height) × 너비(width) 크기의 이미지를 처음부터 끝까지 겹치며 훑으면서 n×m 크기의 겹쳐지는 부분의 각 이미지와 커널의 원소의 값을 곱해서 모두 더한 값을 출력으로 하는
nn.Conv2d 와 nn.Functional.conv2d 차이
코드를 짤 때 torch.nn 과 torch.nn.functional 이 있는것은 알았지만 평소에는 nn.Conv2d를 이용해 CNN layer를 쌓는다. 그런데 torch.nn.functional에서도 conv2d가 있어서 궁금해서 차이를 알아보았다. nn.Conv2d 와 nn.functional.conv2d 에 제일 큰 차이는 weight이다. F.conv2d (nn.functional을 편의상 F.conv2d라 부르겠다)에서 보면 input,weight을 입력으로 받는다. 또한, 다른 filter을 사용하여 weight을 따로 만들어 다른 weight을 적용해주는 기법이다. 예시로 Dynamic Region Aware Convolution [CVPR 2021] 논문에서도 input image에 따라 adaptive 하게 weight을 Feature module을 사용하여 생성한다. ![](https://velog.velcdn.com/images/seanko29/post/7