Thread by @HyunJung4321

C. (재미로 알아보는) 딥 뉴럴 네트워크

가즈아🔥🚀🚀

https://twitter.com/HyunJung4321/status/1420553202546606081?s=20

1. 이전 글에서 제가 느낀 점은 설명이 어려웠구나...🤦‍♂️

2. 그래서 이번엔 '그림'을 더 많이 사용하려 합니다

3. 이번 글에선 딥 뉴럴 네트워크가(DNN) 왜 필요한지, 그리고 어떻게 동작을 하는지 '직관적'으로 알아보려 합니다

4. 아래 그림은 '개'와 '과자'입니다

5. 만약, 개와 과자를 구분하는 프로그램을 손으로 써 나간다면 이런 논리로 진행할 것 같습니다 (예시로)
- 전체적인 '모양'은 무엇인가?
- 만약 '모양'이 동그라미면 '색깔'은?
- '색깔'이 갈색이면 귀처럼 보이는 '삼각형'이 있는가?
- 없다면 정답은⁉️

6. 비교적 간단한 논리로 개와 과자를 구분할 수 있을 것 같습니다

7. 그렇다면 아래의 '개'와 '음식'은 손으로 프로그램을 작성하여 구분할 수 있을까요?😱

8. 가능 할지도 모르겠습니다. 하지만 저라면 손으로 프로그램을 작성하지 않고 DNN로 문제를 해결하도록 하겠습니다

9. 아래 그림 좌측처럼 휴먼이 다양한 개와 음식 사진을 많이 준비하고 DNN에게 보여줍니다 (input layer)

10. 답을 같이 보여주는건 아니고 먼저 그림만 보여준 후 중간에 위치한 DNN에게 맞춰보라고 시켜봅니다

11. DNN은 처음에 무작위로 추론을 하여 답이 틀리지만 훈련한 그림의 숫자가 많을수록 점점 DNN의 출력은 (output layer) 답에 수렴합니다

12. 훈련이 끝났다고 판단이 되면 훈련할 때는 보지 못했던 우측의 그림을 보여주고 DNN에게 맞춰보라고 시킵니다

13. 만약 처음보는 그림을 DNN이 정확하게 구분을 한다면 '일반화'가 잘 된 DNN이라고 판단할 수 있습니다

14. 그렇다면 이런 DNN은 어떤 이유에서 이렇게 개와 음식을 구분할 수 있는 능력을 갖게 될까요?

15. 그 이유는 DNN의 훈련 과정에서 개와 음식의 고유 특징 (feature)을 추출 (extraction)하는 능력을 갖추게 되기 때문입니다

17. 특징을 추출하는 능력은 DNN의 핵심 가치입니다

18. 사물만의 고유한 특징을 잘 추출할 수록 DNN의 성능이 높아집니다 (일반적으로)

19. 그렇다면, 대체 어떤 특징들을 추출한다는 것일까요? (용어에 겁먹지 마세요. 좀 더 읽어보시면 용어 설명이 나옵니다)

20. 아래 그림은 구글넷(GoogLeNet)의 구조와 각 레이어 별로 추출된 특징을 시각화한 그림입니다

21. 'Layer3a'에서는 '점'과 '선'이 추출됩니다

22. 'Layer3b, 4a'에서는 점과 선이 합쳐져 '면'으로 이루어진 'Local' 특징이 보입니다

23. 'Layer4c'에서는 좀 더 'Global'한 특징이 보입니다

24. 여기서 앞서 언급한 용어들을 좀 더 자세히 알아보겠습니다

25. '점'과 '선', 그리고 '면'은 모든 객체에 존재합니다

26. 점 선 면은 물체의 고유 특징이 아닌 고유 특징을 추출하기 위한 근본 요소입니다

27. 이런 근본 요소들이 모여 'Local'한 특징을 추출합니다

28. 왜 Local이라고 부를까요? 물체의 특정 위치 (local)에 존재할 만한 세부 특징이기 때문입니다 (사람으로 치면 눈, 코, 입)

29. 마지막으로, 이런 Local한 특징들이 모여 'Global'한 특징을 추출합니다 (얼굴)

30. Global이라고 부르는 이유는 해당 물체의 세부 특징을 모두 포함하고 있기 때문입니다

31. 요약하자면
- 점, 선, 면
- 점, 선, 면 조합하여 Local 특징 추출
- Local을 조합하여 Global 특징 추출

32. 이렇게 추출된 Global한 특징은 딥러닝의 다양한 용도로 사용됩니다

33. 여기까지가 제가 생각하는 딥 뉴럴 네트워크의 구조 개요입니다

34. 여기서 더 세부로 들어갈 수도 있고 아니면 뭘 해야할지 고민이 됩니다

35. 댓글을 남겨주시면 살펴보고 무엇을 다뤄볼지 정해보겠습니다

36. 댓글이 없다면?

37. (이번 글) 끝 👋👋