
# 이미지 처리 분야에서 가장 유명한 신경망 모델인 CNN 을 이용
from tensorflow.keras import layers
from tensorflow.keras import models

from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()


model = models.Sequential()
model.add(layers.Conv2D(32, (3,3), activation='relu', input_shape=(28,28,1)))
model.add(layers.Conv2D(64, (3,3), activation='relu'))
model.add(layers.Conv2D(64, (3,3), activation='relu'))


model.summary()

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 26, 26, 32)        320       
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 24, 24, 64)        18496     
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 22, 22, 64)        36928     
=================================================================
Total params: 55,744
Trainable params: 55,744
Non-trainable params: 0
_________________________________________________________________

CNN(Convolution Neural Network)¶

학습 내용¶

왜 최대 플링 연산(Max Pooling)을 이용하여 특성 맵을 다운샘플링할까?¶

최대 플링층을 빼고 만든 모델¶

생각해 보기¶

01. 최종 특성 맵은 64 x 3 x 3 x 64(ch) + 64 = 36,928개의 가중치를 가진다. 아주 많다.¶

02 특성의 공간적 계층 구조를 학습하는데 도움이 되지 않는다.¶