CNN 분석에서 합성곱 Concolution 과 Feature Map ?

최근 무료 온라인 강의를 통해 빅데이터 분석 관련 교육을 듣다 보니

일단 2가지를 테스팅해봐야겠다는 생각이 들었다. 

 

첫 번째는 이미지 분석  CNN모델을 적용해 패턴을 분석해 보는 것

두 번째는 회사 업무에 유용할 것 같은  텍스트 분석 RNN모델을 적용해 보는 것이다.

 

개인적으로는 CNN을 통한 패턴 분석을 테스트해보는 것이 더 필요 한지라

일단 CNN 모델 적용부터 시작해 보려고 한다.

 

CNN(Convolutional Neural Network)은 이미지를 처리하는 딥러닝 모델 중 하나!

 

CNN  (Convolutional Neural Network) 용어 정의

 

• Convolution(합성곱): 입력 데이터와 필터(커널)를 곱한 후 합산하는 연산으로, 이미지에서 특징을 추출하는 데 사용
• Feature Map(특징 맵): 합성곱 레이어에서 출력된 결과물로, 입력 이미지에서 추출된 특징

 

• Stride(스트라이드): 필터(커널)가 이동하는 간격으로 값이 크면 특징 맵이 작아지고, 작으면 특징 맵이 커짐
• Padding(패딩): 합성곱을 하면 결과(특징맵) 사이즈가 작아지므로 이를 방지하기 위하여 지정한 수만큼 가장자리에 0 값을 가진 행과열을 추가하여, 출력 크기를 조정하거나 경계 특징을 추출하는 데 사용
• Pooling(풀링): 합성곱 계층의 출력 데이터를 입력으로 받아서 최대 풀링(Max Pooling)이나 평균 풀링(Average Pooning)하여 출력 데이터의 크기를 줄이거나 특정 데이터를 강조하는 용도로 사용
• Activation Function(활성화 함수): 특징 맵의 비선형성을 증가시키는 함수로, ReLU(Rectified Linear Unit) 등이 사용
• Fully Connected Layer(완전 연결 레이어): 추출된 특징들을 분류, 검출, 생성 등의 작업을 위해 연결하는 레이어

 

• Loss Function(손실 함수): 모델의 출력값과 실제값 차이를 계산하는 함수로, 예측 성능을 평가하고 모델 학습에 사용
• Backpropagation(역전파): 손실 함수를 최소화하는 방향으로 모델의 파라미터를 업데이트하는 알고리즘
• Epoch(에포크): 전체 데이터셋에 대해 학습을 수행하는 것으로  성능이 향상될 때까지 에포크를 반복

 

 

Convolution(합성곱)으로 Feature Map(피쳐맵) 생성

 

합성곱은 n*m 크기의 행렬을(이미지픽셀로 가정할 수 있음)  w*h 행렬을 가진 필터(=커널)로 처음부터 끝까지 겹치며 훑으면서 크기의 겹쳐지는 부분원소의 값을 곱해서 모두 더하는 것을 의미하고 이과정을 거친 결과값을 Feature Map이라 함.

 

합성곱 과정을 이해하기 쉽게 표현한 이미지가 있어 인용했다. (감사 ^^)

 

 

 

최대 풀링(Max Pooling)이나 평균 풀링(Average Pooning) 적용

 

계산소요시간이나 성능을 고려하여 최대 풀링은 주로 사용되며, 가장 큰 값만을 선택하여 다음 계층으로 전달하는 방식입니다. 이를 통해 이미지나 특징 맵에서 가장 중요한 정보를 추출하고 사이즈를 줄이는 효과 기대

 

Max Pooling

 

 

 

CNN (Convolutional Neural Network) 처리 구성도

 

출처 :https://www.quora.com/What-is-max-pooling-in-convolutional-neural-networks

---

파이썬에서 직접 CNN을 적용하는 것도 가능하지만 더 쉽게 분석모델을 만들기 위하여 텐서플로우나 Keras를 사용하는 것이 좋다고 하니 다음에는 텐서플로우를 공부해 봐야겠다.  Go.  Go ~~