[Deep Learning] Convolutional Neural Networks(CNN) - Types of Layer in a CNN
Types of Layer in a CNN
Convolution
여태껏 배운 합성곱을 사용하여 다음 레이어를 만드는 방식이다.
Pooling
Fully connected
What is Pooling
결과값을 압축한다! 로 생각하면 이해가 빠르다.
이제부터 필터의 수도 많아질 것이고, 사실 input도 상당히 크기 때문에,
우리는 이 값들을 특정 방법으로 가중치들을 압축하는 것이 보다 효율적이다.
이 방법을 Pooling이라 한다.
Max Pooling
- 이렇게 4 영역으로 나눠서 각 영역의 최대값만을 따오는 방식이다.
- 이 풀링의 hyperparameter는, s = 2, f = 2 이다.
- 이것의 의미는, 사실 output에서 특성을 추출하는데 있어서, 가장 큰 값 자체가 특성을 대변할 수 있다는 것을 시사한다.
- 그런데 이거는 그냥 직관적인 것이고, 사실 성능이 좋기 때문에 사용,,
- 우리도 왜 작동을 잘하는지 잘 몰라 ㅎㅎ..
자, 그런데 여기서 집중해야 하는 것은 이 풀링이 돌아갈때,
여기에는 어떠한 Parameter도 작용되지 않는다는 점이다.
즉, 우리가 원하는 가중치가 이 작업을 하는데 적용되지 않는다는 점!
한가지 더!
원래는 기존 이미지의 채널수와 한 필터가 가지는 채널수가 같아야 연산이 되며,
또, 필터의 개수에 따라 다음 layer의 채널 수가 정해지는데,
풀링은 채널에 각각 적용이 되어 기존 layer의 채널 수와 output layer의 채널 수는 같다.
Average Pooling
평균으로 풀링하는 방식이다!
Summary of Pooling
- 입력의 채널 수와 출력의 채널 수가 같다.
- Parameter는 없다!!
Neural network Example
graph TD
A[input 32x32x3] --> |conv-f=5,s=1|B[conv1 = 28x28x6]
B --> |maxpool-f=2,s=2|C[pool1 = 14x14x6]
C --> |conv-f=5,s=1|D[conv2 = 10x10x16]
D --> |maxpool-f=2,s=2|E[pool2 = 5x5x16]
E --> |Fully Connecting|F[Fc1 = 400x1]
F --> |Fully Connecting|G[Fc2 = 120x1]
G --> |Fully Connecting|H[Fc3 = 84x1]
H --> |SoftMax|I[Prediction = 10x1]
- 일반적으로 Conv + Pool 을 묶어 Layer라고 말한다.
밑으로 내려감에 따라 파라미터의 수와, Layer의 모양, Size를 알아보자.
- 층이 깊어질 수록 크기는 작아진다.
- 그리고 Fully connected의 파라미터 수를 보면 어마어마하다.
- 반면 convolution 을 사용한 층은 파라미터수가 굉장히 작은 것을 알 수 있다.
- 그리고 풀링층은 파라미터가 없다.
이것을 입체적인 시각화를 해서 보자.
그리고 1차원적인 노드의 흐름으로도 보자.
