DL-CNN

2026-01-25skala ai

1. CNN

Convolutional Neural Network
이미지, 시계열, 텍스트 등 격자형 데이터에 특화된 딥러닝 아키텍처
쉽게 말하면, 이미지 전체를 한 번에 보는 게 아니라 작은 창문으로 조금씩 훑으면서 특징을 파악
예를 들어 얕은 층에서는 선이 있다, 깊은 층에서는 눈이 있다, 더 깊은 층에서는 고양이다 처럼 점점 추상적인 특징을 학습
특징
- 아래 방법을 통해 모델의 파라미터 수를 획기적으로 줄임
- Translation invariance 위치가 바뀌어도 같은 특징을 알아보는 성질
- parameter sharing 같은 필터를 재사용
핵심 구성 요소
- Convolution Layer, Pooling Layer, Fully Connected Layer
- 각 층이 계층적으로 특징(feature)을 추출함

CNN의 핵심 층!!!
학습 가능한 파라미터인 filter 를 통해 입력으로부터 local feature 을 추출
파라미터 공유
- 동일한 커널이 입력 전체를 슬라이딩하며 적용되므로, 위치에 무관한 특징 감지가 가능
- 같은 엣지 감지 필터 하나로 이미지의 모든 위치에서 엣지를 찾을 수 있음
- 따라서 위치마다 다른 가중치를 쓰는 것보다 파라미터 수가 훨씬 적음
희소 연결(sparse connectivity)
- 각 출력 뉴런이 입력의 일부 영역(수용 영역)에만 연결되어 연산 효율이 높음
- 모든 픽셀을 서로 연결하는 대신, 가까운 픽셀끼리만 연결하는 것
- 마치 퍼즐 조각을 맞출 때 멀리 떨어진 조각이 아닌 인접한 조각만 먼저 살피는 것과 같음
활성함수 필요
- 비선형 활성화 함수(ReLU 등)가 뒤따르며, 선형 연산인 convolution에 비선형성을 부여
- 활성화 함수가 없으면 여러 층을 쌓아도 결국 하나의 선형 연산과 같아지기 때문에, 복잡한 패턴을 학습하려면 반드시 필요함

Kernel
- 학습을 통해 최적화되는 소형 가중치 행렬
- 일반적으로 3×3, 5×5, 7×7 크기를 사용함
- 이미지 전체가 아닌 아주 작은 영역만 보는 돋보기 역할
- 이 돋보기가 찾는 패턴은 학습을 통해 자동으로 결정됨
- 합성곱 연산을 수행하는 작은 창으로, 이미지 위를 움직이며 합성곱 연산을 수행하여 특직을 뽑아냄
Stride
- 커널이 입력 위를 이동할 때의 간격
- 출력 feature map 의 공간적 크기를 제어함
- stride=1이면 한 칸씩 이동, stride=2면 두 칸씩 건너뛰며 이동함
Padding
- 입력 경계에 추가하는 픽셀(보통 0)로, 출력 크기와 경계 정보 보존을 제어하기 위해 사용
- 이미지 가장자리에 빈 테두리를 덧대는 것으로, 커널이 경계 부분에서도 정상적으로 연산할 수 있게 해줌
- Valid padding 패딩 없이 커널이 완전히 겹치는 영역만 연산하여 출력 크기가 줄어듦
- Same padding 출력 크기가 입력과 동일하도록 패딩을 추가

분석한 이미지 데이터를 라벨 분류하기 위해 1차원으로 바꿔주는 역할
즉, 다차원 feature map 텐서( $H \times W \times C$ )를 1차원 벡터로 변환하는 층
Convolution 블록과 완전연결층(FC layer) 사이를 연결함
3차원 박스 형태의 데이터를 한 줄로 쭉 펼치는 작업으로, 이후 FC layer가 한 줄짜리 입력을 받을 수 있게 준비하는 과정
- Flatten 이후 FC layer의 파라미터 수는 $(H \cdot W \cdot C) \times D$ 로, 입력 해상도에 비례하여 급격히 증가함
- 입력 이미지가 조금만 커져도 파라미터 수가 폭발적으로 늘어나므로 메모리와 연산량 부담이 커짐
- Global Average Pooling으로 대체하면 Flatten 없이 채널당 하나의 값으로 집계되어 파라미터 수를 대폭 감소시킬 수 있음

다중 클래스 분류의 최종 출력층에서 사용되는 함수
Max 값을 가짐을 증명하며, CNN 을 통해 Max로 분류되었음을 증명 → Max값 위치가 몇 번째인지 증명
임의의 실수 벡터를 확률 분포로 변환함
- 예를 들어 [2.1, 0.5, -1.3] 같은 날 것의 점수...
- [0.75, 0.20, 0.05] 처럼 각 클래스일 확률로 바꿔주는 함수임
- $K$ 개 클래스에 대해 $\text{softmax}(z_i) = \dfrac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}$ 로 정의되며, 출력의 합은 항상 1임
지수 함수를 통해 클래스 간 점수 차이를 증폭시키므로, 최대 점수를 가진 클래스의 확률이 두드러지게 높아짐
점수 차이가 작아도 지수 함수를 거치면 확률 차이가 크게 벌어지므로, 모델이 더 자신 있는 예측을 뚜렷하게 표현할 수 있음
수치 안정성 문제
- $e^{z_i}$ 계산 시 오버플로(overflow)가 발생할 수 있음
- 실제 구현에서는 $\text{softmax}(z_i - \max_j z_j)$ 로 정규화
- $e^{1000}$ 같은 값은 컴퓨터가 표현할 수 없을 만큼 커지므로...
- 가장 큰 값을 빼서 최대 지수값이 $e^0 = 1$ 이 되도록 조정