![[신경망기초] 심층신경망개요](https://cdn.slidesharecdn.com/ss_thumbnails/nn10-180318142325-thumbnail.jpg?width=560&fit=bounds)
![[Paper Review] Visualizing and understanding convolutional networks](https://cdn.slidesharecdn.com/ss_thumbnails/visualizingandunderstandingconvolutionalnetworks-171116075511-thumbnail.jpg?width=560&fit=bounds)
![[Paper Review] Image captioning with semantic attention](https://cdn.slidesharecdn.com/ss_thumbnails/imagecaptioningwithsemanticattention-180709045819-thumbnail.jpg?width=560&fit=bounds)
![[Paper] shuffle net an extremely efficient convolutional neural network for ...](https://cdn.slidesharecdn.com/ss_thumbnails/papershufflenetanextremelyefficientconvolutionalneuralnetworkformobiledevices-210424000132-thumbnail.jpg?width=560&fit=bounds)
![[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...](https://cdn.slidesharecdn.com/ss_thumbnails/190321eyeposegyubin-190517100712-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Similar to [데이터 분석 소모임] Convolution Neural Network 김려린 (20)
[데이터 분석 소모임] Convolution Neural Network 김려린
- 2. 신경망 CNN구조 CNNCode 01 02 03 TABLE OF CONTENTS
- 3. 3 Deep Neural Network DNN은 기존의 Neural Network와 다르게 은닉층이 여러 개 존재하여 비선형 관계를 학습하는데 적합함 01. 신경망 DNN이란? 입력층과 출력층 사이에 여러 개의 은닉층들로 이루어진 인공신경망 01. Input Layer 02. Hidden Layer 03. Output Layer 입력값 전달 • 입력값들을 받아 Hidden Layer에 전달하는 노드들로 구성된 Layer 비선형 관계 학습 • Input Layer와 Output Layer 사이에 존재하는 Layer • 데이터의 패턴을 찾는 역할을 함 예측 결과 출력 • 예측 결과를 출력하는 노드들로 구성된 Layer Output Layer Input Layer Hidden Layer Deep Neural Network
- 4. 4 Convolution Neural Network CNN이란 이미지 데이터를 처리할때 발생하는 문제점을 보완한 방법으로 Convolution Layer와 Fully Connected Layer로 이루어짐 02. CNN 설명 데이터 손실 DNN은 1차원 형태의 데이터를 사용하여 이미지 데이터가 손실이 생김 이미지특성감지 CNN의 Convolution Layer가 입력이미지에대한 특성을감지하기위해커널을 사용 DNN의 한계 01 CNN 구성 02 이미지가 무엇을 의미하는 데이터인지 분류 Flatten Layer, Softmax Layer로 구성 데이터의 특징을 추출하여 특징들의 패턴을 파악 Convolution Layer, Pooling Layer로 구성 Feature Learning Classification
- 5. 5 Convolution Layer 합성곱 계층은 입력되는 이미지에 필터를 적용하여 출력 이미지를 생성하고, 풀링층에서 연산량을 줄여 새로운 값을 구성함 02. CNN 설명 • 하나의 합성곱 계층에는 입력되는 이미지의 채널 개수만큼 필터가 존재 01 Convolution Layer에 Filter 적용 • 입력 이미지의 가장자리에 특정 값으로 설정된 픽셀들을 추가함으로써 입력 이미지와 출력 이미지의 크기를 비슷하게 만듦 • 합성곱 계층을 거치면서 이미지의 가장자리에 위치한 픽셀들의 정보 사라지게 됨 02 Padding 적용 목적 • 이미지 크기를 그대로 유지한 채 Fully Connected Layer로 가게된다면 연산량이 기하급수적으로 증가함 특징 • Matrix에서 특정값을 가져와서 새롭게 구성 03 Pooling Layer * = filter 이미지에 대해 필터를 적용할 때는 필터의 이동량 Stride • 각 채널에 할당된 필터를 적용함으로써 합성곱 계층의 출력 이미지 생성 Zero Padding 이미지 주위를 0으로 둘러싸주는 과정 10 21 6 8 Max Pooling 2x2에서 최대값 선택하여 Matrix 생성 이미지의 특징을 찾아내는 것 0 1 7 5 5 5 6 6 5 3 3 0 1 1 1 2 1 0 1 1 2 0 3 0 1 40 32 26 25 7 5 0 3 10 4 21 2 6 1 7 0 5 0 8 4
- 6. 6 Fully Connected Layer Flatten Layer에서 1차원 데이터로 변경 후 Softmax Layer에서 일정한 값으 로 변환하여 Output Layer에서 값이 분류됨 02. CNN 설명 Flatten Layer Softmax Layer Output Layer 2차원 데이터로 이루어져 있지만 분류를 위한 학습을 위해 1차원 데이터로 바꾸어 학습 Softmax layer 추출된 특징 값을 소프트맥스 함수를 통해 일정한 값으로 변환 변환된 값들의 합 1이 되어, 제일 높은 값이 분류 대상이 됨 데이터 평탄화함으로써, 다양한 층에서 학습 가능해짐 1 1 0 4 2 1 0 2 1 1 1 0 4 2 1 0 2 1 Flattening DropOut Layer 랜덤하게 뉴런을 꺼내서 학습을 방해함으로써, 과적합 방지 Softmax Function DropOut 자동차 1 1 0 4 2 1 0 2 1 X X X X 자전거 0.7 0.3
- 7. 7 CNN Code Fashion MNIST Data 운동화, 셔츠, 샌들과 같은 작은 이미지들을 가지고 DNN, CNN 모델에 적용하여 Accuracy를 확인함 03. 구현 Fashion MNIST Data 운동화, 셔츠, 샌들과 같은 작은 이미지들의 모음 83 85 87 100 83.41 85.01 84.93 86.48 DNN 적용 3000 2000 1000 500 단위 : % 80 85 90 100 89.56 90.04 89.18 89.00 CNN 적용 3000 2400 1800 600 단위 : %
- 8. 감사니다