p112. 컨볼루션 신경망은 다충 퍼셉트론 신경망과 매우 유사하나 이미지가 가지고 있는 특성이 고려되어 설계된 신경망이기에 영상 처리에 주로 사용된다. 컨볼루션 신경망 모델의 주요 레이어는 컨볼루션 레이어, 맥스풀링 레이어, 플래튼 레이어이다.

p112~113. Conv2D 레이어는 영상 인식에 주로 사용하며, 필터가 탑재되어 있다. 주요 인자는 다음과 같다.

• filters: 필터 수
• kernel_size: 커널의 (행, 열)
• padding: 경계 처리 방법을 정의한다.
  • ‘valid’: 유요한 영역만 출력, 출력 이미지 사이즈는 입력 이미지 사이즈보다 작다. 깊은 층을 가진 모델인 경우 특징 맵이 계속 작아져서 정보가 많이 손실된다.
  • ‘same’: 출력 이미지 사이즈가 입력 이미지 사이즈와 동일하다. 입력 이미지에 경계를 학습시키는 효과가 있다.
• input_shape: 샘플 수를 제외한 입력 형태를 정의한다. (행, 열, 채널 수)로 정의, 채널은 흑백영상인 경우 1, 컬러영상인 경우 3으로 설정한다.
• activation: 활성화 함수를 설정

입력 형태는 image_data_format이 ‘chnnels_first’인 경우 (샘플 수, 채널 수, 행, 열)로 이루어진 4D 텐서이고, image_data_format이 ‘chnnels_last’인 경우 (샘플 수, 행, 열, 채널 수)로 이루어진 4D 텐서이다.  image_data_format 옵션은 keras.json 파일 안에 있는 설정이다.

출력 형태는 image_data_format이 ‘chnnels_first’인 경우 (샘플 수, 필터 수, 행, 열)로 이루어진 4D 텐서이고, image_data_format이 ‘chnnels_last’인 경우 (샘플 수, 행, 열, 필터 수)로 이루어진 4D 텐서이다.  image_data_format 옵션은 keras.json 파일 안에 있는 설정이다.

p113. 필터는 가중치를 의미한다. 하나의 필터가 입력 이미지를 순회하면서 적용된 결과값을 모으면 출력 이미지가 생성된다.

• 동일한 가중치 사용 – 파라미터 공유, 학습해야 할 가중치 수를 현저하게 줄여준다. 위치에 무관하게 특징을 추출할 수 있다.
• 출력에 영향을 미치는 영역이 지역적으로 제한되어 있다. 지역적인 특징을 잘 뽑아내게 되어 영상 인식에 적합하다.

p116~118. 필터 마다 고유한 특징을 뽑아 고유한 출력 이미지를 만들어 내야 하기 때문에 필터의 수와 출력 이미지 수가 같다.

채널의 다수인 경우 채널의 수 만큼 커널의 계산이 늘어날 뿐 출력 이미지 수에는 영향을 주지 않는다.

p119. 맥스풀링 레이어는 컨볼루션 레이어의 출력 이미지에서 주요값만 뽑아 크기가 작은 출력 영상을 만든다. 이것은 지역적인 사소한 변화가 영향을 미치지 않도록 한다. 주요 인자는 다음과 같다.

• pool_size: 수직, 수평 축소 비율을 지정한다. (2, 2)이면 출력 영상 크기가 입력 영상 크기의 절반으로 줄어든다.

p120. 컨볼루션 신경망 모델에서 컨볼루션 레이어나 맥스풀링 레이어를 반복적으로 거치면 주요 특징만 추출되고, 추출된 주요 특징은 전결합층에 전달되어 학습된다. 전결합층에 전달하려면 1차원 자료로 바꿔줘야 하는데 이때 사용하는 레이어가 플래튼 레이어이다.

p127. 케라스에서는 이미지 파일을 쉽게 학습시킬 수 있도록 ImageDataGenerator 클래스를 제공한다. flow_from_directory 함수를 사용해서 특정 폴더에 이미지를 분류해 놓았을 때 이를 학습시키기 위한 데이터셋으로 만들어 주는 기능을 제공한다.

p130. 제너레이터로 생성된 배치로 학습시킬 경우 fit_generator 함수를 사용한다.

p131. 제너레이터에서 제공되는 샘플로 평가할 때는 evaluate_generator 함수를 사용하고, 예측을 위해서는 predict_generator 함수를 사용한다.

p139. ImageDataGenerator를 사용해서 데이터 부풀리기를 할 수 있다.