CNN(Convolutional Neural Network)

CNN(Convolutional Neural Network)

1. CNN 개요

CNN(Convolutional Neural Network)은 이미지 데이터 처리에 특화된 딥러닝 모델로, 특징 추출(Feature Extraction)과 분류(Classification)를 자동으로 수행할 수 있다.

(1) CNN의 주요 구성 요소

• Convolution Layer (컨볼루션 레이어) → 이미지 특징 추출
• Activation Function (비선형 활성화 함수, 주로 ReLU) → 비선형성 부여
• Pooling Layer (풀링 레이어) → 차원 축소, 중요한 정보 유지
• Fully Connected Layer (완전 연결층) → 최종 분류

---

2. 컨볼루션 연산 (Convolution Operation)

(1) 컨볼루션 필터(3×3 필터)

• 컨볼루션 필터는 이미지에서 패턴(특징)을 추출하는 역할
• 필터 크기: 일반적으로 3×3 또는 5×5 크기를 많이 사용
• 출력 크기(Feature Map, 피처맵): 입력 이미지에 필터를 적용하여 생성됨

(2) 패딩 (Padding)

컨볼루션을 수행하면 이미지 크기가 줄어들 수 있기 때문에, 패딩을 추가하여 크기를 유지할 수 있다.

• Valid Padding: 패딩을 추가하지 않고 연산 → 이미지 크기 줄어듦
• Same Padding: 원본 크기를 유지하도록 패딩 추가

import tensorflow as tf
import numpy as np

# 3x3 필터 생성 (엣지 감지)
filter_3x3 = np.array([[1, 0, -1],
                        [1, 0, -1],
                        [1, 0, -1]], dtype=np.float32)

filter_3x3 = filter_3x3.reshape((3, 3, 1, 1))  # (height, width, in_channels, out_channels)

# TensorFlow에서 필터 적용
image = tf.random.normal([1, 5, 5, 1])  # 5x5 이미지
conv_layer = tf.nn.conv2d(image, filter_3x3, strides=[1, 1, 1, 1], padding="SAME")

print(conv_layer.shape)  # 출력 Feature Map 크기 확인

---

3. 다채널(Multi-Channel) 컨볼루션

(1) RGB 채널 개념

• 일반적인 컬러 이미지는 RGB 채널을 가지며, Depth = 3(R, G, B)
• 필터(Filter)의 Depth는 입력 이미지의 채널 개수와 동일해야 함

(2) 필터(Filter)의 구조

컨볼루션 필터는 4차원 텐서로 표현됨.
[필터 높이, 필터 너비, 입력 채널 수, 출력 채널 수]

예를 들어, RGB 이미지에 대해 10개의 필터를 적용하면:

filter_shape = (3, 3, 3, 10)  # 3x3 크기의 필터, 입력 채널 3개, 출력 채널 10개

• in_channels = 3 (RGB)
• out_channels = 10 (Feature Maps 개수)

---

4. 스트라이드(Stride)

• Stride: 필터를 이동시키는 간격
• 기본값: stride = 1
• stride = 2 로 설정하면 한 칸씩이 아닌 두 칸씩 이동하여 연산량 감소

conv_layer = tf.nn.conv2d(image, filter_3x3, strides=[1, 2, 2, 1], padding="SAME")

• strides = [1, 2, 2, 1]
  • 첫 번째 1: 배치 크기 유지
  • 2,2: 가로, 세로 방향으로 2칸씩 이동
  • 마지막 1: 채널 유지

---

5. 활성화 함수(Activation Function)

컨볼루션 연산 후, 비선형성을 부여하기 위해 활성화 함수를 적용해야 한다.

(1) ReLU (Rectified Linear Unit)

• 가장 많이 사용되는 활성화 함수
• 음수 값을 0으로 변환하여 기울기 소실 문제 해결

f(x)=max(0,x)f(x) = max(0, x)

relu_output = tf.nn.relu(conv_layer)

(2) Softmax

• 최종 분류 단계에서 사용
• 출력을 확률 값(0~1)로 변환하여 여러 클래스 중 하나를 선택

softmax_output = tf.nn.softmax(relu_output)

---

6. 풀링(Pooling)

(1) 풀링(Pooling) 레이어의 역할

• 특징을 유지하면서 크기를 줄여 연산량 감소
• 약간의 위치 변화에도 강인한 모델을 만들기 위해 사용

(2) 풀링 종류

풀링 종류 설명

맥스 풀링 (Max Pooling)	필터 영역에서 가장 큰 값 선택
평균 풀링 (Average Pooling)	필터 영역의 평균 값 선택

pooling_layer = tf.nn.max_pool(relu_output, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding="SAME")

• ksize = [1, 2, 2, 1] → 2×2 필터 사용
• strides = [1, 2, 2, 1] → 2칸씩 이동

---

7. Fully Connected Layer (완전 연결층)

(1) CNN 마지막 단계

• 컨볼루션 & 풀링을 반복한 후 출력층(Fully Connected Layer, FC Layer)에서 최종 분류
• 보통 Flatten(평탄화)하여 Dense Layer(완전 연결층)에 연결

flatten = tf.keras.layers.Flatten()(pooling_layer)
fc_layer = tf.keras.layers.Dense(units=128, activation='relu')(flatten)
output_layer = tf.keras.layers.Dense(units=10, activation='softmax')(fc_layer)  # 10개 클래스 분류

---

8. CNN을 이용한 분류 모델 구조

CNN을 사용한 대표적인 이미지 분류 모델 구조:

1. Input Image (입력)
2. Conv Layer (컨볼루션 연산, 특징 추출)
3. ReLU (비선형성 부여)
4. Pooling Layer (맥스풀링, 차원 축소)
5. Conv + ReLU + Pooling 반복
6. Flatten Layer (1차원 변환)
7. Fully Connected Layer (분류)
8. Softmax (최종 확률 출력)

---

9. CNN 모델 구현 예제 (TensorFlow)

import tensorflow as tf
from tensorflow.keras import layers, models

# CNN 모델 생성
model = models.Sequential([
    layers.Conv2D(32, (3,3), activation='relu', input_shape=(32, 32, 3)), # 3x3 필터 32개
    layers.MaxPooling2D((2,2)),  # 2x2 맥스풀링
    layers.Conv2D(64, (3,3), activation='relu'),
    layers.MaxPooling2D((2,2)),
    layers.Conv2D(64, (3,3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),  # Fully Connected Layer
    layers.Dense(10, activation='softmax')  # 출력층 (10개 클래스)
])

# 모델 요약 출력
model.summary()

---

10. 정리

- CNN은 이미지 데이터를 처리하기 위해 설계된 딥러닝 모델
- 컨볼루션 연산(필터), 패딩, 스트라이드 개념 중요
- ReLU 활성화 함수로 비선형성 추가
- 맥스풀링으로 차원 축소 및 중요한 특징 유지
- Fully Connected Layer에서 최종 분류 수행