딥러닝 - CNN

CNN이란

CNN(Convolutional Neural Network)은 이미지처럼 가로·세로 형태를 가진 데이터를 처리하는 데 강한 딥러닝 모델이다.
일반적인 신경망은 이미지를 1차원으로 펼쳐서 처리하지만, CNN은 이미지의 공간적 특징을 유지한 채 학습한다.

그래서 CNN은 다음과 같은 문제에서 많이 사용된다.

• 손글씨 숫자 분류
• 얼굴 이미지 분류
• 동물/사물 이미지 분류
• 의료 영상 분석

입력 이미지 → Convolution → ReLU → Pooling → 특징 추출 반복 → Flatten → Dense Layer → 출력

---

CNN의 동작 과정

1. Convolution

필터(커널)를 이미지 위로 이동시키며 특징(선, 모서리, 곡선)을 추출한다.

2. ReLU

음수 값을 0으로 바꾸는 활성화 함수다.
비선형성을 추가해 더 복잡한 패턴을 학습할 수 있게 만든다.

3. Pooling

특징맵의 크기를 줄여 계산량을 낮추고, 중요한 정보만 남긴다.
주로 MaxPooling을 많이 사용한다.

4. Flatten

2차원 특징맵을 1차원 벡터로 펼친다.

5. Dense Layer

추출한 특징을 종합해서 최종 클래스를 예측한다.

---

MNIST 예제

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

# 1. MNIST 데이터 불러오기
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 2. 정규화
x_train = x_train / 255.0
x_test = x_test / 255.0

# 3. CNN 입력 형태 맞추기
# (batch, height, width, channel)
x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

# 4. CNN 모델 구성
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),

    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),

    layers.Flatten(),
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

# 5. 모델 컴파일
model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

# 6. 학습
model.fit(x_train, y_train, epochs=5, batch_size=64, validation_split=0.1)

# 7. 평가
test_loss, test_acc = model.evaluate(x_test, y_test)
print("Test Accuracy:", test_acc)

CNN에서 주의할 점

1) CNN은 보통 4차원의 입력을 받는다

• (batch, height, width, channel)

2) 정규화를 해야 학습이 안정적이다

• x_train = x_train / 255.0, x_test = x_test / 255.0

3) 출력층과 loss 함수가 맞아야 한다

• 라벨이 0,1,2,3... 같은 정수면 → sparse_categorical_crossentropy
• 라벨이 [0,0,1,0,...] 같은 원-핫이면 → categorical_crossentropy

4) 과적합 주의

• Dropout 추가
• 데이터 증강(Data Augmentation)
• Epoch 너무 크게 잡지 않기

5) Pooling을 너무 많이 하면 정보가 사라진다

---