卷积神经网络

꼭알아야할3가지사항

卷积神经网络(CNN또는事先)은수동으로특징을추출할필요없이데이터로부터직접학습하는딥러닝을위한신경망아키텍처입니다。

Cnn은상에서객체，얼굴，장면식을위한패턴을찾을때특히유용합니다。오디오，시계열，신호데이터와같이。

자율주행차량및얼굴，식응용분야와같이객체식과컴퓨터비전이필한응용분야에서는cnn을많이사용합니다。

Cnn을유용하게만들어주는소

Cnn은다음세가지중。

Cnn은수동특징추출의필성을제거합니다。특징은cnn에의해직접학습됩니다。
Cnn은고도로정확한路人식결과를생성합니다。
CNN은새로운인식작업을위해다시훈련시킬수있으므로기존신경망을활용할수있습니다。

딥러닝워크플로。cnn으로전달되면cnn이자동으로특징을학습하여객체를분류합니다。

CNN은영상및시계열데이터에서주요특징을찾아내고학습하기위한최적의아키텍처를제공합니다。Cnn은다음과같은응용분야에서핵심기술로사용됩니다。

의료상: CNN은수천건의병리학보고서를검토하여영상에서암세포의유무를시각적으로검출할수있습니다。
오디오처리:마이크가있는모든기기에서키워드검출을사용하여특정단어나문구(“嘿Siri !”)가발화되었을때이를검출할수있습니다。CNN은키워드를정확하게학습하여어떤환경에서도다른모든문구는무시하고키워드를검출할수있습니다。
정지신호검출:자율주행에서는표지판이나다른객체의존재여부를정확하게검출하고출력을바탕으로결정을내리는데CNN을사용합니다。
합성데이터생성：甘(생성적적대신경망)을사용하여얼굴인식및자율주행을비롯한딥러닝응용분야에서사용할새로운영상을생성할수있습니다。

자세히알아보기

분류에사용할간단한딥러닝신경망만들기

Cnn의작동방식

卷积神经网络은수십또는수백개의계층을가질수있으며,각계층은영상의서로다른특징을검출합니다。각훈련영상에서로다른해상도의필터가적용되고,컨벌루션된각영상은다음계층의입력으로사용됩니다。필터는밝기,경계와같이매우간단한특징으로시작하여객체를고유하게정의하는특징으로복잡도를늘려갈수있습니다。

특징학습，계층및분류

CNN은다른신경망과마찬가지로입력계층,출력계층,그리고그사이의여러은닉계층으로구성됩니다。

이러한계층은해당데이터의고유한특징을학습한다는의도로데이터를변경시키는연산을수행합니다。3가장일반적인가지계층으로컨벌루션계층,활성화또는ReLU계층,풀링계층을들수있습니다。

컨벌루션계층은입력상을일련의컨벌루션필터에통과시킵니다。각필터는상에서특정특징을활성화합니다。
ReLU(整流线性单元)계층은음수값은0에매핑하고양수값은그대로두어서더빠르고효과적인훈련이이루어지도록합니다。이때활성화된특징만다음계층으로전달되므로이를활성화라고도합니다。
풀링 계층은비선형다운샘플링을수행하여신경망이학습해야하는파라미터의개수를줄임으로써출력을단순화합니다。

이러한연산이수십또는수백개의계층에대해반복되며,각계층은서로다른특징을식별하도록학습합니다。

여러컨벌루션계층이있는신경망의예。각훈련영상에서로다른해상도의필터가적용되고,컨벌루션된각영상은다음계층의입력으로사용됩니다。

공유가중치및편향

Cnn은전통적신경망과마찬가지로가중치와편향이있는뉴런을갖습니다。모델은훈련과정에서이러한값을학습하고,새로운훈련표본이입력될때마다매번이러한값을지속적으로업데이트합니다。그러나의CNN경우에는주어진계층의모든은닉뉴런에대해가중치및편향값이모두같습니다。

이는모든은닉뉴런이영상의서로다른영역에있는동일한특징(경계나블롭등)을검출함을의미합니다。따라서신경망은상에있는객체의평행이동을허용합니다。예를들어,자동차를인식하도록훈련된신경망은자동차가영상의어느곳에있어도인식할수있습니다。

분류 계층

CNN아키텍처는여러계층에있는특징을학습한후분류계층으로넘어갑니다。

마지막에서두번째계층은k차원의벡터를출력하는완전연결계층입니다。여기서k는신경망이예측할수있는클래스의개수입니다。이벡터는분류대상상의각클래스에대한확률을포함합니다。

CNN아키텍처의마지막계층은소프트맥스와같은분류계층을사용하여분류출력을제공합니다。

Matlab을사용한cnn의설계및훈련

MATLAB^®을深度学习工具箱™와함께사용하면Cnn을설계，훈련및배포할수있습니다。

MATLAB은딥러닝커뮤니티에있는다량의사전훈련된모델을제공하며,이는새로운데이터셋으로부터특징을학습하고식별하는데사용할수있습니다。전이학습이라고하는이방법은처음부터시작하지않고도딥러닝을적용할수있는편리한방법입니다。GoogLeNet AlexNet,《盗梦空间》과같은모델은전문가들이구축한검증된아키텍처를활용하여딥러닝을살펴볼수있는출발점을제공합니다。

신경망의설계및훈련

심층신경망디자이너를사용하면사전훈련된모델을가져오거나새모델을처음부터구축할수있습니다。

딥러닝신경망을대화형방식으로구축，시각화및편집하는심층신경망디자이너。

앱에서직접신경망을훈련시키고정확도,손실,검증메트릭플롯을사용하여훈련을모니터링할수도있습니다。

전이학습에사전훈련된모델사용하기

전이 학습을통해사전훈련된신경망을미세조정하는것이처음부터훈련시키는것보다는일반적으로훨씬더빠르고쉽습니다。전이학습에는최소한의데이터와연산리소스가사용됩니다。전이학습은한가지유형의문제로부터알게된지식을사용하여비슷한문제를해결합니다。사용자는사전훈련된신경망에서시작하여이를새로운작업을학습하는데사용할수있습니다。전이학습의이점은사전훈련된신경망이수많은특징을이미학습했다는데있습니다。이러한특징은다양한기타유사한작업에적용할수있습니다。예를들어,수백만개의영상에서훈련된신경망을가져와서수백개의영상만사용하여새로운객체검출을위해다시훈련시킬수있습니다。