Leacture: Deep Learning for everyone

Outline

1. CNN
2. RNN
3. CrossEntropyLoss

CNN

• CNN(Convolutional Neural Network)은 합성곱 신경망으로 필터링 기법을 인공신경망에 적용함으로써 이미지를 더욱 효과적으로 처리하기 위해 처음 소개되었다.
• 자율주행 자동차, 얼굴인식같은 분야에 많이 이용된다.

Convolution

• 이미지 위에서 stride값 만큼 filter를 이동시키면서 겹쳐지는 부분의 각 원소의 값을 곱해서 모두 더한 값을 출력으로 하는 연산이다.

  

• 첫 번째 convolution 연산은 보라색 테두리와 필터의 연산이다.
• 같은 자리의 값고 곱한 후 그 값들의 합이 output의 1x1자리 값이 된다.
• 연산은 다음과 같다.

  (1x1) + (2x0) + (3x1) +

  (0x0) + (1x1) + (5x0) +

  (1x1) + (0x0) + (2x1) = 8

stride

• filter를 한번에 얼마나 이동할 것인가?

padding

• zero-padding(0이 들어간 패드가 이미지 각 면에 둘러진다.)

입력의 형태

• input type: torch.Tensor
• input shape: (N x C x H x W) (batch_size, channel, height, width)

Convolution code

• convolution연산에서 output의 크기를 구하는 식이다.
  outputsize = (input size - filter size + (2 * padding)) / stride + 1
• 227x227인 tensor를 11x11인 필터에 stride=4, padding 0으로 convolution연산을 하였다.

1
2
3
4
5
6
7
8
9
import torch
import torch.nn as nn

conv = nn.Conv2d(1,1,11,stride=4, padding=0) # Conv2d(input chanel, output chanel, filter size, stride, padding)
input = torch.Tensor(1,1,227,227)
out = conv(input)
out.shape

# output size: torch.Size([1, 1, 55, 55])

Pooling

• 이미지의 크기를 줄이기 위한 연산이다.
• 일정 크기의 블록을 통합하여 하나의 대푯갑으로 대체하는 연산이다.
• 입력데이터의 차원 감소하여 신경망의 계산효율성이 좋아지고 메모리 요구량의 감소가 일어난다.

Max Pooling

1
torch.nn.MaxPool2d(kernel_size, stride=None, padding=0 ...)

• max pooling = 2일때 2x2사이즈 안에서 가장 큰값을 출력한다.

Average Pooling

• average pooling = 2일때 2x2사이즈 안에서 평균값을 출력한다.

Mnist CNN

딥러닝을 학습시키는 단계

1. 라이브러리 가져오기
2. GPU 사용설정
3. 데이터셋을 가져오고 로더 만들기
4. Parameter 결정
5. 학습 모델 만들기
6. Loss function & Optimizer
7. Training
8. Test model Performance

MNIST를 이용하여 만들 CNN 구조

CNN MNIST code

RNN

• 반복적이고 순차적인 데이터(Sequential data)학습에 특화된 인공신경망의 한 종류이다.

• 내부의 순환구조가 들어있으며 이를 이용하여 과거의 학습을 현재 학습에 반영한다.

• h_t-1: 이전 상태값
• x_t: 현재 입력값
• f_w: w(Weight) parameter를 가지고 계산하는 함수
• h_t: 새로운 상태값

RNN의 다양한 구조

one to many

• 하나의 이미지가 들어가고 문장이 나온다.(자막)

many to one

• 문장이 입력, 하나의 값(감정에 대한 레이블)이 나온다.

many to many

• 문장이 들어가면 문장이 나온다.
• 번역 텍스트에 가능하다.
• 문장을 끝까지 보고 출력을한다.

many to many2

• 비디오, 이미지 입력, 출력값은 변화된 값이다.
• 이미지 캡셔닝

RNN Pytorch basics

1
2
rnn = torch.nn.RNN(input_size, hidden_size)
outputs, _status = rnn(input_data)

CrossEntropyLoss

• 정답 카테고리에서 최대한 올리는 것이다.
• criterion(모델의 output, 정답label)

1
2
3
criterion = torch.nn.CrossEntropyLoss()
...
loss = criterion(outputs.view(-1, input_size), Y.view(-1))