핸즈온 머신러닝: 사이킷런과 텐서플로를 활용한 머신러닝, 딥러닝 실무

478

2

부

신경망과 딥러닝

는 것과 같아서 이를 부분 스트라이드를 사용하는 일반 합성곱층으로 볼 수 있습니다.

42

예를 들어 이미지

분할에서는 업샘플링이 유용합니다. 즉, 전형적인

CNN

에서 네트워크를 통과할수록 특성 맵은 점점 작아지

므로 입력과 같은 크기의 출력을 만들려면 업샘플링 층이 필요합니다.

●

tf

.

nn

.

depthwise

_

conv2d

( )는 모든 필터가 모든 개개의 입력 채널에 독립적으로 적용되는 깊이 방향 합

성곱층

depthwise

convolutional

layer

을 만듭니다. 따라서

f

n

개의 필터와

n

f

′

개의 채널이 있다면

nn

ff

′

×

개의 특성

맵을 출력합니다.

●

tf

.

layers

.

separable

_

conv2d

( )는 처음엔 깊이 방향 합성곱층과 같게 작동하고, 그다음에는

1

×

1

합

성곱층을 적용해 특성 맵을 출력하는 분리형 합성곱층

separable

convolutional

layer

을 만듭니다.

43

이 연산은 임의

개수의 입력 채널에 필터를 적용할 수 있습니다.

13.5

연습문제

1

.

이미지 분류에서 완전 연결

DNN

보다

CNN

이 나은 점은 무엇인가요?

2

.

3

×

3

커널, 스트라이드

2

,

SAME

패딩으로 된 합성곱층 세 개로 구성된

CNN

이 있습니다.

가장 아래 층은

100

개의 특성 맵을 출력하고, 중간 층은

200 ...