(AI Math 9강) CNN

CNN

커널 V를 입력벡터 x 상에서 움직여가며 선형모델과 합성함수 적용
$$h_i = \sigma\left( \sum_{j=1}^{k}V_jx_{i+j-1} \right)$$

• $\sigma$ : 활성함수
• $V_j$ : 가중치 행렬 = 커널(은 변하지 않음)
• $k$ : 커널 사이즈

Convolution 연산

커널을 이용해 신호(signal)를 국소적으로 증폭 또는 감소시켜서 정보를 추출 또는 필터링하는 것
(신호 g, 커널 f, 엄밀히 말하면 x-z 대신 x+z -> cross-correlation)

• 연속

$$[f*g](x) = \int_{\mathbb{R}^d}f(z)g(x-z)\, dz = \int_{\mathbb{R}^d}f(x-z)g(z)\, dz = [g*f](x)$$

• 이산

$$[f*g](i) = \sum_{a\in\mathbb{Z}^d}f(a)g(i-a) = \sum_{a\in\mathbb{Z}^d}f(i-a)g(a) = [g*f](i)$$

다양한 차원에서의 Convolution

• 1D-conv
  $$[f*g](i) = \sum_{p=1}^{d}{f(p)g(i+p)}$$

• 2D-conv
  $$[f*g](i,j) = \sum_{p,q}^{d}{f(p,q)g(i+p,j+q)}$$

• 3D-conv
  $$[f*g](i,j,k) = \sum_{p,q,r}^{d}{f(p,q,r)g(i+p,j+q,k+r)}$$

2차원 Convolution 연산

입력 크기 $(H,W)$, 커널 크기 $(K_H,K_W)$, 출력 크기 $(O_H,O_W)$
$$O_H = H - K_H +1\\ O_W = W - K_W + 1$$

Convolution 연산의 역전파

입력부분에 미분이 적용 -> g'와 f의 convolution 연산

그림으로 쉽게 이해하자!

[그림] convolution 연산

[그림] 역전파 ($\delta$는 미분값)

• 입력벡터는 곱해졌던 커널들을 통해 그래디언트 전달

[그림] 역전파

• $o_3$에서 $\delta_3$는 $w_1$을 통해서 그래디언트를 전달했기 때문에, $\delta_3$를 $w_1$으로 배당, $w_1$대신 $x_3$를 곱해서 $w_1$의 그래디언트가 됨

[그림] 결과