Page 16 -

5.1 합성곱 신경망 DEEP LEARNING

4장에서 배운 딥러닝의 역전파를 복습하자면, 순전파 과정에 따라 계산된 오차 정보가 신경망
의 모든 노드(출력층 → 은닉층 → 입력층)로 전송됩니다. 이러한 계산 과정은 복잡하고 많은 자원

(CPU 혹은 GPU, 메모리)을 요구합니다. 또한, 계산하는 데도 오래 걸립니다. 이 문제를 해결하
고자 하는 것이 합성곱 신경망입니다. 합성곱 신경망은 이미지 전체를 한 번에 계산하는 것이 아
닌 이미지의 국소적 부분을 계산함으로써 시간과 자원을 절약하여 이미지의 세밀한 부분까지 분
석할 수 있는 신경망입니다.

5.1.1 합성곱층의 필요성

합성곱 신경망은 이미지나 영상을 처리하는 데 유용합니다. 예를 들어 다음과 같이 3×3 흑백(그
레이스케일) 이미지가 있다고 가정해 봅시다(색상은 설명을 위해 추가했습니다).

이미지 분석은 다음 왼쪽 그림과 같은 3×3 배열을 오른쪽 그림과 같이 펼쳐서(flattening) 각 픽셀
에 가중치를 곱하여 은닉층으로 전달하게 됩니다. 하지만 그림에서 보이는 것처럼 이미지를 펼쳐
서 분석하면 데이터의 공간적 구조를 무시하게 되는데, 이것을 방지하려고 도입된 것이 합성곱층

입니다.

그림 5-1 합성곱층 원리

142