🌟 현대 인공지능 학습 2단계: 합성곱 신경망(CNN) 심화와 전이 학습

🌟 현대 인공지능 학습 2단계: 합성곱 신경망(CNN) 심화와 전이 학습

📅 학습 기간: 7~9개월

🎯 학습 목표: CNN 구조 심화 학습과 전이 학습 활용

---

📝 1. CNN의 필요성과 활용

합성곱 신경망(Convolutional Neural Network, CNN)은 이미지 데이터 분석에 특화된 신경망입니다.
이미지 분류, 객체 탐지, 얼굴 인식 등 다양한 분야에서 활용됩니다.
이번 글에서는 CNN의 심화 구조와 전이 학습을 중심으로 학습합니다.

---

📌 1-1. CNN 구조 심화 이해

CNN의 기본 구조는 합성곱 층(Convolution Layer), 활성화 함수, 풀링 층(Pooling Layer), **완전 연결 층(Fully Connected Layer)**로 이루어집니다.
여기에 **정규화 층(Batch Normalization)**과 **드롭아웃 층(Dropout Layer)**을 추가하여 성능을 향상할 수 있습니다.

---

🔑 1) 합성곱 연산 (Convolution Operation)

합성곱은 필터(Filter) 또는 커널(Kernel)을 이용하여 이미지의 특징을 추출합니다.

• 필터: 가중치 행렬로 구성되어 특징 맵을 생성
• 스트라이드(Strides): 필터가 이동하는 간격
• 패딩(Padding): 이미지 가장자리 처리 (same, valid)

Python 예제:

import torch
import torch.nn as nn

# 합성곱 연산
conv = nn.Conv2d(in_channels=1, out_channels=3, kernel_size=3, stride=1, padding=1)
x = torch.randn(1, 1, 28, 28)  # 배치 크기, 채널 수, 높이, 너비
output = conv(x)
print(f"출력 크기: {output.shape}")

💡 합성곱의 장점:

• 공간 불변성: 이미지 위치 변화에 강건
• 파라미터 공유: 필터를 통해 동일한 가중치 사용

---

🔑 2) 활성화 함수와 정규화

반응형

CNN에서는 주로 ReLU (Rectified Linear Unit) 활성화 함수를 사용합니다.
또한, Batch Normalization을 통해 학습 속도를 개선하고 과적합을 방지합니다.

Python 예제:

conv = nn.Conv2d(1, 3, 3, padding=1)
bn = nn.BatchNorm2d(3)
relu = nn.ReLU()

x = torch.randn(1, 1, 28, 28)
x = conv(x)
x = bn(x)
x = relu(x)
print(x.shape)

---

🔑 3) 풀링 층 (Pooling Layer)

풀링은 특징 맵의 크기를 줄여 연산량을 감소시키고, 과적합을 방지합니다.

• 최대 풀링(Max Pooling): 가장 큰 값 추출
• 평균 풀링(Average Pooling): 평균 값 추출

Python 예제:

pool = nn.MaxPool2d(kernel_size=2, stride=2)
x = torch.randn(1, 3, 28, 28)
output = pool(x)
print(f"풀링 후 크기: {output.shape}")

---

🔑 4) 드롭아웃 (Dropout)

과적합 방지를 위해 신경망 일부를 무작위로 비활성화합니다.
Python 예제:

dropout = nn.Dropout(p=0.5)
x = torch.randn(5, 10)
output = dropout(x)
print(output)

---

🧠 2. CNN 아키텍처 사례

📌 2-1. VGGNet (심층 신경망 구조)

• 구조: 여러 개의 합성곱 층과 풀링 층을 반복적으로 쌓은 구조
• 특징: 필터 크기를 줄이고 깊이를 증가시켜 성능 향상
• 활용: 이미지 분류, 전이 학습

VGG 구조 예제:

class VGGNet(nn.Module):
    def __init__(self):
        super(VGGNet, self).__init__()
        self.features = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, 64, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=2, stride=2)
        )
        self.fc = nn.Sequential(
            nn.Linear(64 * 14 * 14, 256),
            nn.ReLU(),
            nn.Linear(256, 10)
        )
    
    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

model = VGGNet()
print(model)

---

🔄 3. 전이 학습 (Transfer Learning)

이미 학습된 모델의 가중치를 활용하여 새로운 문제를 해결하는 기법입니다.
주로 대규모 데이터셋으로 사전 학습된 모델을 작은 데이터셋에 미세 조정(Fine-Tuning)하여 사용합니다.

💻 코드 실습: 전이 학습을 활용한 이미지 분류 (ResNet)

from torchvision import models, transforms
from PIL import Image

# 사전 학습된 모델 불러오기
model = models.resnet18(pretrained=True)
model.eval()

# 이미지 전처리
preprocess = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor()
])

image = Image.open("sample.jpg")
x = preprocess(image).unsqueeze(0)

# 예측
with torch.no_grad():
    output = model(x)
    print(f"예측 결과: {output.argmax(1).item()}")

💡 전이 학습 장점:

• 시간 절약: 사전 학습된 가중치를 사용하여 빠른 모델 구축
• 성능 향상: 대규모 데이터셋으로 학습된 특성 활용

---

💻 실습 프로젝트: 전이 학습을 이용한 꽃 이미지 분류

1. 목표: 꽃의 종류를 이미지로 예측
2. 데이터셋: 꽃 데이터 (5종류)
3. 모델: 전이 학습 (ResNet)
4. 평가 지표: 정확도

코드:

from torchvision import datasets
from torch.utils.data import DataLoader

# 데이터셋 로드
train_dataset = datasets.FakeData(transform=transforms.ToTensor())
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 전이 학습 모델 설정
model = models.resnet18(pretrained=True)
model.fc = nn.Linear(512, 5)  # 출력 차원 조정

# 학습 루프
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

for epoch in range(5):
    for inputs, labels in train_loader:
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
    print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

---

📝 학습 체크리스트:

• CNN의 구조와 각 층의 역할을 이해하고 활용할 수 있다.
• VGGNet과 ResNet 같은 심층 신경망 구조를 이해한다.
• 전이 학습을 사용하여 새로운 이미지 분류 문제를 해결할 수 있다.
• PyTorch를 활용하여 사전 학습 모델을 불러오고 미세 조정할 수 있다.

---

CNN, 합성곱 신경망, VGGNet, ResNet, 전이 학습, 이미지 분류, 딥러닝, PyTorch, 학습 전이, 심층 신경망, 모델 재사용