딥러닝 모델

CNN에서 가장 중요한 레이어 중 하나

컨볼루션 레이어는 컨볼루션 작업을 사용하여 입력 데이터의 로컬 특징을 추출합니다. 컨볼루션 작업은 입력 데이터에서 컨볼루션 커널(필터)을 슬라이딩하여 구현되며, 각 컨볼루션 커널은 입력의 특정 기능을 감지하는 데 사용됩니다.

풀링 레이어는 컨벌루션 레이어 출력의 공간 크기를 줄이고, 계산 복잡도를 줄이고, 특징의 중요한 정보를 추출하는 데 사용됩니다.

일반적인 풀링 작업에는 최대 풀링(이웃의 최대값을 취함)과 평균 풀링(이웃의 평균값을 취함)이 포함됩니다.

컨벌루션 레이어 이후에는 일반적으로 비선형 속성을 도입하기 위해 활성화 함수가 적용됩니다. 일반적인 활성화 함수에는 네트워크가 비선형 관계를 학습하는 데 도움이 되는 ReLU(Rectified Linear Unit) 등이 포함됩니다.

컨볼루션 및 풀링 레이어 이후에는 일반적으로 추출된 기능을 출력 범주에 매핑하는 데 완전 연결 레이어가 사용됩니다. 완전 연결 계층은 이전 계층의 모든 노드를 다음 계층의 모든 노드에 연결합니다.

각 미니 배치의 데이터를 정규화하여 딥 네트워크의 훈련 프로세스를 가속화하는 데 사용되며 네트워크의 안정성과 수렴 속도를 향상시키는 데 도움이 됩니다.

일반적인 CNN 구조에는 컨벌루션 레이어와 풀링 레이어가 교대로 포함되고 마지막으로 완전 연결 레이어가 포함됩니다. 전체 네트워크의 구조는 일반적으로 입력 레이어, 숨겨진 레이어 및 출력 레이어로 구성됩니다.

컨벌루션 계층의 컨벌루션 커널은 공유됩니다. 즉, 전체 입력 공간에서 특징을 추출하는 데 사용됩니다. 이는 매개변수 수를 효과적으로 줄이고 네트워크의 일반화 능력을 향상시킵니다.