Chapter1 Introduction 최근 이미지넷 이미지 분류 챌린지에서 최신 기술을 능가하는 데 깊은 합성곱 신경항(Deep CNN)이 사용됨 CNN의 출력은 입력 데이터의 형태, 커널의 형태, 제로패딩, 스트라이드에 의해 영향을 받음. 한편 이런 속성들 사이의 관계는 단순하게 추론하기 어려움. -입력 데이터의 형태: 입력이미지의 크기, 채널 수 -커널의 형태: 커널의 크기, 채널 수 CNN은 fully-connected layers(완전연결층)와는 다름. fully-connected layers의 출력 크기는 입력 크기와는 독립적임. -CNN vs fully-connected layers 1. 완전연결층의 출력 크기는 입력 크기와 독립적으로, 항상 일정한 크기의 출력을 생성함. 2. CNN는 합성..

♣♣ 완전연결계층(Fully-connected multi-layered neural network: MLNN) vs CNN 기존에는 완전연결계층을 이용하여 이미지를 분류함 완전연결계층 = 한 층의 모든 뉴런이 다른 층의 모든 뉴런과 연결되어 있는 형태. 2차원의 흑백 이미지를 1차원 배열로 평탄화시킨 후 연산 작업을 진행함. Affine계층: 한 층의 모든 뉴런이 다음 층의 모든 뉴런과 연결된 계층(완전연결된 계층) 완전연결신경망에서는 Affine 계층 뒤에 ReLU나 sigmoid 계층이 이어짐. 마지막 계층에서는 Affine 계층에 이어 Softmax 계층에서 최종 결과를 출력함. CNN 계층 합성곱계층(Conv)과 풀링(Pooling 계층이 추가됨. Affine-ReLU 연결이 Conv-ReLU 로..