(AI Math 9강) CNN 첫걸음

210805

Convolution

기존의 신경망(MLP)은 각 뉴런들이 선형모델과 활성함수로 모두 연결된(fully connected) 구조였다.

• 입력 뉴런 x의 크기만큼 그리고 신경망의 깊이만큼 W의 크기가 커져서 계산해야할 파라미터 수가 너무 많고 시간이 너무 오래걸린다는 이슈가 있었다.

Convolution은 고정된 가중치 행렬인 커널을 사용한다. 또, 입력벡터 x를 모두 사용하는 것이 아니라 커널의 크기만큼만 사용하게 된다.

• 입력벡터 x를 한번에 모두 쓰는게 아니라는 뜻이다. 커널이 입력벡터 x 위를 움직이면서 사용하게 된다.

• 중요한 점은 입력벡터 x의 크기와 상관없이 커널의 크기가 고정적이라는 것이다.

• 그래서, 파라미터 수를 많이 줄일 수 있다는 것이 특징이다

Convolution은 두 가지 방식으로 정의할 수 있다.

• 정의역이 연속인 공간에서 적분을 사용

• 정의역이 이산인 공간에서 급수를 사용

• 적분과 급수의 차이만 있을 뿐 그외의 차이는 없다.

• g는 신호, f는 커널을 의미한다.

  • 이러한 커널을 이용하여 신호를 증폭 또는 감소시켜서 정보를 추출 또는 필터링 하는 것이 Conv. 연산의 의미이다.

• 빼기가 아니라 더하기를 사용하기 때문에 엄밀히 말하면 CNN에서 사용하는 연산은 Conv, 가 아니라 cross-correlation이다.

  • 역사적으로 불러왔기 때문에 범용적으로는 Conv. 라고 한다

  • 전체공간에서 봤을 때 Conv. 인지 cross. 인지는 중요하지 않지만 컴퓨터 연산에서는 중요하다.

• 파란색은 신호, 빨간색이 커널이다.

• 노란색은 신호와 커널의 겹치는 면적을 의미하며, 검은색은 이 면적의 넓이(=결과)이다.

Conv. 연산은 영상처리에 많이 쓰인다. 여기서 많은 처리를 해볼 수 있다.

또, 데이터의 종류에 따라 다양한 차원에서 계산이 가능하다.

• 1차원 : 음성

• 2차원 : 이미지

• 3차원 : 동영상

2차원 Convolution

2D-Conv는 커널을 입력벡터 상에서 움직여가면서 선형모델과 합성함수가 적용되는 구조이다.

입력 크기가 (H, W), 커널 크기가 ($K_H$, $K_W$), 출력 크기가 ($O_H$, $O_W$) 라고 하면 출력 크기는 다음과 같이 계산한다.

• $O_H = H - K_H + 1$

• $O_W = W - K_W + 1$

• 만약 28x28 입력을 3x3 커널로 연산하면 26x26이 된다.

  • 물론 stride(이후에 나올 개념)가 1이라는 가정

또, 채널이 여러개이면 그만큼 커널도 여러개(채널 수와 동일)이다.

• 이러한 여러개의 커널들의 쌍을 필터라고 하며, 여러개의 필터를 입력과 Conv 연산을 할 수 있다.

Convolution 연산의 역전파

Conv도 마찬가지로 선형연산이다. Conv에서 재밌는 점은 Conv를 미분해도 Conv 연산이 나온다는 것이다. 이는 커널이 모든 입력데이터에 공통으로 Conv 연산이 적용되기 때문에 역전파를 계산할 때도 Conv 연산이 나온다.

• 사실 재미는 없다

입력 벡터의 한 원소인 X3를 기준으로 보자

• O1은 X3와 W3의 곱으로 표현되었다(여기서 표현되었다는 O1을 이루는 원소 중 하나라고 해석하면 된다)

  • 01 = X1W1 + X2W2 + X3W3

• O2는 X3와 W2의 곱으로 표현되었다

• O3는 X3와 W1의 곱으로 표현되었다.

따라서 이 때의 미분 델타값이 커널을 통해 그레디언트가 전달된다.

이후, 그레디언트 델타와 입력값을 곱한 값이 커널에 전달되어 업데이트가 된다.

X3가 아니라 W1을 기준으로 봤을 때는 위 그림처럼 각각 델타1, 2, 3가 입력 벡터 X1, 2, 3와 곱해져 W1에게 전달된다.