Page 9 -

그러나 합성곱 신경망이 나오면서 그 상황이 달라졌습니다. 합성곱이란 말이 익숙하진 않겠지만

쉽게 말해 방대한 정보의 특징을 추출하기 위한 방법 중 하나입니다. 더 간단하게 말하자면, 합성
곱 신경망에서 말하는 합성곱은 큰 그림의 일부분을 꺼내어 특정 필터를 더하고 그것을 사용해 이
미지를 축소해가는 것을 반복하는 방법입니다.

보통은 프로그래머가 많은 노력을 들여 특징을 추출하기 위한 필터를 만드는데, 이를 완전히 랜
덤한 상태부터 시작해 학습에 의해 좋은 필터로 성능을 개선하고 강화해갈 수 있음을 의미합니다.
그리고 이렇게 학습된 필터는 인간이 특징을 열심히 찾아낸 것보다도 훨씬 성능이 좋았습니다. 또

한, 이것이 요즘의 딥러닝 열풍을 생각했을 때 약간 등골이 오싹해지는 듯한 느낌을 주는 부분이
기도 합니다.

즉, 딥러닝의 원리는 어떤 의미에서 인지를 넘어서고 있습니다. 게다가 인지를 넘어서는 원인은
기계 자체 설계가 아니라 랜덤성이라는 자연계에 있는 현상을 이용하고 있는 것입니다. 그리고 이
랜덤성이 진화와 진보에 기여해왔다는 것이 바로 진화론이고, 우리는 학습해 진화하는 기계와 공
생하는 시대에 살게 되었습니다.

2장에서는 단순한 퍼셉트론을 시작으로 합성곱 신경망을 실제로 프로그래밍해 확인하는 부분까
지 다룹니다. 일단 이 단계에서는 합성곱 신경망이라는 것이 이미지 인식의 중심이 된다는 사실을

기억하세요.

1.8 합성곱 신경망으로 이미지를 클래스로
DEEP LEARNING

분류하기

현재 가장 성과가 좋다고 여겨지는 것은 합성곱 신경망입니다. 이러한 합성곱 신경망을 자신의 생
각대로 학습시키려면 먼저 방대한 학습 데이터가 필요합니다. 이미지 분류 분야에서는 예를 들어

ImageNet 데이터셋이 전 세계 인터넷에 업로드된 이미지 데이터를 모두 분류합니다. 이 데이터
베이스에는 1400만 장 이상의 2만 종류에 달하는 이미지가 있습니다.

040

deeplearing_07.indd 40 2018-04-11 오전 8:12:09