2. 딥러닝 이론

1. 주요 딥러닝 모델

 1.1 '특징'에 따른 CNN

 1.2 '생성'에 따른 GAN, Auto Encoder

 1.3 '메모리'에 따른 RNN

 

 

2. 신경망 학습 매커니즘

신경망 학습 매커니즘

 

3. CNN (이미지)

  -Convolution Layer 와 Pooling Layer로 구성된, 이미지 처리에 좋은 성능을 가지는 인공신경망

  -Convolution Layer : 컨볼루션 연산(필터연산)을 통해 특징(feature)를 추출하는 레이어

  -Pooling Layer : Sub sampling 통한 차원의 축소로 max-pooling, average-pooling 활용

  -Fully connected layer : 이전레이어의 모든 처리결과를 하나로 연결하여 이미지의 특징을 구분

  -패딩(Padding) : 입력 이미지 주변을 0으로 감싸서, 이미지 크기가 줄어드는 것을 보완

  -스트라이드(Stride): 컨볼루션 연산 시, 픽셀을 건너뛰는 단위

Convolution Neural Network

  ->전이학습(Transfer Learning, Fine Learning): 기존의 모델을 사용하여 새로운 모델을 만드는 방법

      GooLeNet, VGGNet, ResNet,MNIST Classification

 

4. GAN (생성)

 -이미지/영상을 생성하는 생성자(Generator)와, 이미지의 진짜/가짜를 판별하는 판별자(Discriminator)가

  상호경쟁하며 정확성을 높이는 머신러닝 알고리즘

 -GAN을 활용하여 유명화풍을 반영한 이미지생성, 웹툰제작 등 다양한 컨텐츠를 제작 가능

 -판별자(Discriminator): 클래스 간의 경계를 학습, 이미지의 정답 값으로 부터 피드백

 -생성자(Generator): 각 클래스의 분포를 모델링, Discriminator로부터 피드백

Generative Adversarial Networks

5. 오토인코더 (AutoEncoder)

 -MNIST

 

6. RNN (메모리)

 -유닛 사이의 연결이 Directed Cycle을 형성하며, 자신을 가리키는 Recurrent Weight을 포함하는 신경망 알고리즘

 -오류 역전파를 확장한 알고리즘(시간 방향 학습)

Recurrent Neural Network

 -> 시간이 흐름에 따라 역전파 에러신호가 급격히 증가 -> GRU, LSTM 으로 해결

 -LSTM(Long Short Term Memory) : Input,Output,Forget 3가지의 Gate로 이루어진 알고리즘

 -GRU(Gated Recurrent Unit) : Reset게이트(r)와 Update게이트(z)로 구성