Chapter 8. 왜 CNN이 이미지 데이터에 많이 쓰일까?

CNN은 어떻게 인간의 사고방식을 흉내냈나신경 다발(connections)을 잘 끊어냄이미지를 인식할 때 뇌의 일부분만 활성화 되더라는 실험 결과과연 첫 layer에서 모든 필셀의 값을 다 보려는게 좋은 걸까? 아니라는 것!위치별 특징을 추출함이미지를 FC Layer에 넣으면 한 픽셀 한 픽셀 너무 세세하게 본다.FC Layer에서는 왼쪽 그림이나 오른쪽 그림이나 학습 방식에서 차이가 없음CNN에서는 사전 정보(위치, 배치 등)을 가이드로 주고 학습하는 것과 비슷하다.즉, 위치별 특징을 찾는 연산이다.CNN은 어떻게 특징을 추출할까100x100 이미지에 100x100 크기의 커널을 10개 사용하면 10000 입력 10 출력하는  FC Layer와 동일하다.3D 이미지에 대한 Convolution다양한 C..

• format_list_bulleted 인공지능/[강의] 혁펜하임 딥러닝 강의
• · 2024. 12. 14.
• textsms

[강의 요약] 패캠 시계열 분석 - Part5. 딥러닝을 이용하여 정교하게 예측하기

Ch 2. 어서와, 인공신경망은 처음이지?인공신경망(뉴럴 네트워크) 개념 소개다층 퍼센트론(Multi-Layer Perceptron)입력층 하나와 은닉층(Hidden Layer)이라 불리는 하나 이상의 층과 출력층으로 구성출력층을 제외하고 모든 층은 편향 뉴런을 포함하여 다음층과 완전히 연결인공신경망의 은닉층이 2개 이상일 때 심층 신경망(DNN)이라 부른다역전파(Backpropagation)다층 퍼센트론을 효율적으로 학습시킬 수 있는 알고리즘각 훈련 샘플에 대해 역전파 알고리즘이 먼저 예측을 만들고(정방향), 오차를 측정하고, 그 다음 역방향으로 각 층을 거치면서 각 연결이 오차에 기여한 정도를 측정(역방향)이 오차가 감소하도록 가중치(weight)를 조금씩 조정 기본 구조(1): 입력층, 은닉층, 출..

• format_list_bulleted 인공지능/[강의] 딥러닝, 머신러닝을 활용한 시계열 데이터 분석
• · 2024. 11. 13.
• textsms

[책 요약] 밑바닥부터 시작하는 딥러닝1-Chapter 7. 합성곱 신경망(CNN)

전체 구조CNN도 지금까지의 신경망과 같이 레고 블록처럼 계층을 쌓을 수 있으나, 합성곱 계층과 풀링 계층이 새롭게 등장한다.지금까지 본 신경망은 인접하는 계층의 모든 뉴런과 결합되어 있었다. 이를 완전연결(Fully-Connected, 전결합)이라고 하며, 완전히 연결된 계층을 Affine 계층이라는 이름으로 구현했다.합성곱은 공학과 물리학에서 널리 쓰이는 수학적 개념으로, ‘두 함수 중 하나를 반전, 이동 시켜가며 나머지 함수와의 곱을 연이어 적분한다’ 라는 의미로 쓰인다.반면 CNN에서는 일반적으로 아래와 같이 Conv-ReLU-Pooling 흐름으로 연결된다CNN에서도 출력에 가까운 층에서는 지금까지의 Affine-ReLU 혹은 Affine-Softmax 조합을 그대로 사용한다.합성곱 계층CNN에..

• format_list_bulleted 인공지능/[책] 밑바닥부터 시작하는 딥러닝1
• · 2024. 11. 10.
• textsms