딥러닝 학습 과정과 용어

딥러닝 학습 과정

모델에 데이터가 들어감 → 모델이 예측 → 정답(레이블)이 예측한 것과 얼마나 틀린지 확인 → 틀린 정도를 최소화하기 위한 작업 진행 → 모델에 다시 적용

 

딥러닝 용어

1. Model
   - 모델안에서 예측, 특징 뽑아내는 것이 이루어짐
   
   
2. Layer
   - 여러 층을 쌓았다고 해서 딥러닝
   - 어떻게 쌓는 지 중요
   - input layer
   - hidden layers
   - output layer
   - 모델 VGG16에서 16은 layer의 수를 의미
   
   
3. convolution
   - CNN에서 C가 Convolution => 한국어로 합성곱이라는 뜻
   - 이미지가 있으면 필터를 받아서 이미지와 필터를 곱한다. 이미지의 특징을 딴 결과가 나옴 => 카메라 어플의 필터가 합성곱을 이용한 것. 필터마다 다른 특징을 뽑아내기 때문에 필터마다 결과가 다르다
   - 필터의 값은 고정값이 아님.
   
   
4. pooling layer
   - 뽑은 feature를 줄여줌
   - 압축 기능을 함
   
   
5. optimization
   - 얼마나 틀렸는지 결과가 나오면 최소로 줄이기 위한 계산을 해서 Loss를 줄이기 위한 일을 함
   
   
6. Activation Function
   - 뽑은 특징 중 음수 값을 제거(불필요한 값 제거)
   - ex) ReLU, Sigmoid, Maxout, ELU 등
   
   
7. SoftMax
   - 최종 마지막에 컴퓨터가 예측을 함. 그때 값들이 softmax를 거쳐서 값들을 확률로 나타냄. 확률들의 합은 1이 됨
   
   
8. Cost/Loss/Loss Function
   -결과가 나오면 정답을 맞출 확률을 계산해 틀린 정도를 계산함
   
   
9. Learning Rate
   - 하이퍼 파라미터 중 하나 => 하이퍼 파라미터 : 컴퓨터가 입력할 수 없는 값으로 사람이 직접 입력해야 하는 값
   
   
10. Batch Size
    - 모델에 데이터를 넣을 때 데이터를 나눠서 넣는데 몇개씩 나눌 지 정하는게 Batch Size
    
    
11. Epoch / Step
    - 데이터를 전체 다 보고 나면 Epoch 수 만큼 데이터를 반복해서 봄
    
    
12. Train / Validation / Test
    - 데이터 셋을 받으면 Train/Test 셋으로 나눔
    
    
13. Label / Ground Truth
    - 데이터 셋의 정답을 칭하는 말
    - Ex) 이미지가 고양이인 경우 label은 cat