매트랩으로 배우는 인공지능 - 6 | CNN 레이어 상세

 

# Convolutional Neural network의 레이어 구성

 

여기서, FullyConnectedLayer는 있는 경우도 있고 없는 경우도 있다.

 

대충 앞에서 다 봤으니 빠르게 알아보자

 

 

# ImageInputLayer

- input size를 정의하고, 데이터를 정규화한다.

(정규화는 데이터의 평균값을 구해서 빼는 방식)

 

imageInputLayer([5, 5])

 

 

# Convolution Layer

- Feature Extraction 하기 위해 사용된다. CNN에서 가장 핵심 레이어.

- input 파일에 필터를 씌운다(Sliding Filter)

- 필터 내부 값(가중치 값)은 내가 정하지 않음. 훈련을 통해 특징을 잘 찾아내도록 계속 수정해 가는 것.

- 필터 사이즈만 정해주면 내부 가중치는 학습을 통해 만들어진다.

- Transfer Learning을 할 경우 필터값이 이미 다 훈련 되있기 때문에 별도의 훈련 과정이 필요가 없음.

 

convolution2dLayer([2, 2], 1)

* 필터가 움직이는 간격을 stride라고 한다 (기본값 = 1)

- stride가 1이면 한칸씩 오른쪽으로 움직이고 stride가 2면 두칸씩 움직이는 방식.

- 테두리 데이터를 위해 패딩(Padding)을 씌워주기도 함. (이미지가 작을 때 유용)

 

- 각 뉴런(노드)들은 서로 모두 연결되어있음.

- 각 뉴런은 가중치와 bias값을 학습한다

- 뉴런 하나에 필터 하나라고 생각하면 된다

 

 

<Hyper Parameter> - 변경되지 않음

- 필터 크기 = 7x7

- 채널 개수 = 3 (R, G, B)

- Stride = [2, 2] = 두칸씩 움직인다

- PaddingSize = [3, 3, 3, 3] = 상 하 좌 우에 Zero-Padding 3칸씩.

- DilationFactor = 필터에 0을 추가, 필터 사이즈를 크게 한다. 보는 영역을 확대.

 

* Weight, Bias는 학습되면서 계속 변경된다 

- Weight: (하나의 필터 7x7 x 3 채널 input) + output 64개 = (7x7x3) x 64

- Bias: 각각의 output에 대해 하나씩 존재 = 1x1x64

 

 

# ReLu Layer

- Rectified Linear Unit

- 필터를 씌우고 난 후, 0보다 작은 데이터가 있으면 0으로 만든다.

- 의미없는 부분은 다 새까맣게 칠해버려서 남은 특징이 더 부각되도록 만든다고 생각하면 된다.

- 이름은 거창한데 막상 하는일은 별거 없다

 

reluLayer()

 

# Pooling Layer

- 이미지 다운샘플링. 특징을 더 부각되도록 만들어준다.

- nxn 프레임 중에서 max값을 찾아서 추출하면 maxPoolingLayer가 된다.

 

maxPoolingLayer([3 3])

 

 

# FullyConnected Layer

- outputClass를 뽑아내기 위해 2d 배열을 1차원 배열로 평탄화

- Convolution/ReLu/Pooling 을 거쳐 특징을 추출한 데이터에 점수를 매겨 outputClass를 예측하기 위한 첫 과정.

- 내가 데이터를 6종류의 클래스로 분류하고 싶다 -> FC 레이어의 개수를 6개로 설정하면 된다

- 내가 데이터를 개와 고양이 두 클래스로 분류하고 싶다 -> FC 레이어의 개수를 2개로 설정하면 된다.

- 솔직히 뭔가 확 와닿게 이해가 안됨. 그냥 그런갑다 하자

 

fullyConnectedLayer(2)

 

# Softmax Layer

- FC Layer로 평탄화한 데이터에 점수를 매긴다

(Normalized Exponential function)

- 점수의 총 합은 1이다

 

 

# Classification Layer

- Softmax Layer에서 가장 높은 점수를 가진 outputClass를 output으로 예측한다.