6-(1) CNN을 구성하는 각 레이어의 역할에 대해 설명해보세요.

🟢 6-(1). CNN을 구성하는 각 레이어의 역할.

🟡 CNN: Convolutional-Neural-Network

CNN의 경우 크게 4가지 layer로 구성된다

• Convolutional Layer: 이미지의 지역적 특징(Local Feature)을 탐지하는 필터(Filter) 역할

• Activation Function: 네트워크에 비선형성(Non-linearity)을 도입하여 표현력을 극대화

• Pooling Layer: Feature Map의 공간적 차원(가로, 세로)을 줄여서 정보를 압축하고, 모델을 더 강건(Robust) 하게 만듦 => translation invariance

• Fully Connected Layer: 추출된 특징들을 바탕으로 최종적인 판단(분류 또는 회귀)을 내리는 역할.

(출처: Deep radiomics-based survival prediction in patients with chronic obstructive pulmonary disease, 2021)

🟢 예시 답안 (코드잇 제공)

CNN은 크게 Convolution Layer, Pooling Layer, 그리고 Fully Connected Layer로 구성됩니다.

• 먼저, Convolution Layer는 입력 데이터에서 특징(feature)을 추출하는 역할을 합니다. 필터 또는 커널이라는 작은 행렬을 사용해 이미지를 스캔하면서, 엣지나 텍스처 같은 특징을 학습합니다. 이 레이어는 이미지의 공간적 구조를 보존하면서 특징을 추출할 수 있는 것이 큰 장점입니다.
• 그다음 Pooling Layer는 데이터의 크기를 줄여 계산량을 감소시키고, 모델의 일반화 능력을 높이는 역할을 합니다. Max Pooling은 가장 중요한 값을 선택해 중요한 정보를 보존하고, Average Pooling은 값들의 평균을 취해 데이터를 축소합니다. 이를 통해 과적합을 방지하는 효과도 있습니다.
• 마지막으로 Fully Connected Layer는 Convolution Layer와 Pooling Layer를 통해 학습된 특징들을 종합적으로 분석해 최종적으로 분류(classification)나 예측 작업을 수행합니다. 이 레이어는 전체 뉴런이 연결되어 있어 종합적인 결정을 내리는 데 적합합니다.
• 추가적으로, 활성화 함수나 정규화 레이어도 CNN의 중요한 구성 요소로, 비선형성을 추가하거나 학습을 안정화하는 데 기여합니다.