이미지 처리에 특화된 신경망
- 입력 이미지로 부터 특징을 추출하여 어떤 이미지인지 클래스를 분류
- 일반 신경망의 경우 이미지 전체를 하나의 데이터로 입력하기 떄문에 이미지 픽셀 위치가 변경되면 결과가 왜곡됨 (특징점을 찾아냄)
- CNN은 이미지를 하나의 데이터가 아닌 여러개로 분할 하여 처리 함
합성곱 층
- 이미지 한 부분부분을 학습한다고 이해
- 2차원 배열에서 예를 들어 (픽셀 9개씩 학습) 픽셀 하나하나가 아니라 부분부분으로 학습한다
- 그 9개가 속하는 부분을 필터라고하고 필터가 뉴런이라고 생각하면된다
- 각 필터 안의 웨이트(커널) 들이 조정이 된다 (학습과정)
- 학습된 필터에 테스트 이미지를 넣으면 강의 자료에서 2x2의 출력 특성맵이 생성
- 나온 결과로 값이 틀리면 다시 필터의 커널값을 조정해서 정답에 가깝게 조절 함
패딩
- 필터의 모서리에 있는 부분은 그곳에 이미지의 특징점이 있을경우 정확성이 떨어질수있음
- 기존 이미지에 겉을 픽셀로 그려준다 그래서 모서리의 부분이 여러번 필터에 감지되게 함 (겉 픽셀값은 0)
스트라이드
- 몇칸씩 움직일지 결정
- 일반적으로 스트라이드는 1을 사용(일반적)
케라스 합성곱층 생성 (은닉층 대신 합성곱 층으로 변경)
# 총 10개의 뉴런갯수 커널의 크기 설정 활성화 함수 랠루로 설정 패딩설정
# 순서로 인자 정리
keras.layers.Conv2D(10 , kernel_size=(3,3) , actication='relu' , padding='same' , strides=1)
풀링