[DL] CNN_layers CNN레이어

 This writing is provided in English first, followed by Korean.
이 글은 영어 -> 한국어 순으로 작성되어 있습니다.

1. Input Layer

• Role: Accepts the raw pixel values of an image, typically represented as a matrix of (height x width x color channels).

2. Convolutional layers

• Role: These are the core building blocks of a CNN. They use 'kernels' (or filters) to convolve the input, extracting key features like edges, corners, and textures. The result is then passed to the next layer.
• Benefit: They can extract essential features while preserving the spatial relationships between pixels.s

3. Activation Function

• Role: Introduces non-linearity to the model. This allows the network to learn more complex patterns, which improves calculation effectiveness and accuracy.

4. Pooling layers

• Role: Reduce the spatial dimensions (width and height) of the feature maps while retaining the most important information.
• Benefit: This decreases the computational load, helps mitigate overfitting, and improves the model's generalization ability.
• Types:
  - Max Pooling: Selects the maximum value from each patch of the feature map.
  - Average Pooling: Calculates the average value from each patch of the feature map.

5. Fully Connected Layers

• Role: Connects every neuron from the previous layer to every neuron in the current layer. This layer takes the high-level features extracted by the previous layers and uses them to make the final classification decisions.

6. Output Layer

• Role: Generates the final output of the network, such as a probability distribution for classification tasks, based on the features learned throughout the network.

1. 입력층 (Input Layer)

• 역할: 이미지의 원본 픽셀 값(색상 채널 x 높이 x 너비 x 깊이 )을 받는 곳

2. 합성곱층 (Convolutional Layers)

• 역할: CNN의 핵심 구성 요소. '커널' 또는 '필터'를 사용 -> 입력 데이터에 대한 합성곱 연산 -> 특징(feature) 추출 및 결과를 다음 계층으로 전달.

• 장점: 이미지의 공간적 구조를 유지하면서 핵심 특징을 효과적으로 추출 가능

3. 활성화 함수 (Activation Function)

• 역할: 모델에 비선형성(non-linearity) 추가 -> 계산 효율성과 정확도 높임. 이를 통해 더 복잡한 패턴을 학습 가능.

4. 풀링층 (Pooling Layers)

• 역할: 특징 맵(feature map)의 필수 정보는 유지 + 차원(주로 가로, 세로)을 축소

• 장점: 계산량 줄이기 & 과적합(overfitting) 방지 & 모델 일반화 성능 향상

• 종류:
  - 최대 풀링 (Max Pooling): 특정 영역에서 가장 큰 값을 선택
  - 평균 풀링 (Average Pooling): 특정 영역 값들의 평균을 계산하여 선택

5. 완전 연결 계층 (Fully Connected Layers)

• 역할: 이전 계층의 모든 뉴런을 다음 계층의 모든 뉴런에 연결하여 최종적인 결정을 내림

6. 출력층 (Output Layer)

• 역할: 학습된 특징들을 바탕으로 최종 예측 값이나 분류 결과를 생성

Reference 참고
Image Reference 이미지 출처
https://www.ibm.com/think/topics/convolutional-neural-networks
https://blog.lukmaanias.com/2024/12/18/convolutional-neural-networks-cnn-an-in-depth-exploration/