컨볼루션 레이어는 이미지에서 특징을 추출하는 기본적인 구조로, 필터를 통해 입력 데이터의 정보를 변환합니다.
풀링 레이어는 데이터의 차원을 줄여주며, 특징 맵의 크기를 감소시켜 계산량을 줄이고 과적합을 방지합니다.
CNN 아키텍처는 여러 층의 컨볼루션과 풀링을 조합하여 이미지 인식 및 분류에 최적화된 구조를 제공합니다.
모델 학습 과정은 데이터 입력 후 컨볼루션, 풀링, 액티베이션을 통해 특징을 추출하고, 이를 기반으로 학습을 진행합니다.
액티베이션 함수는 뉴런의 출력을 결정하는 함수로, 주로 ReLU와 같은 비선형 함수를 사용하여 모델의 표현력을 높입니다.
배치 노멀라이제이션은 학습 속도를 향상시키고 안정성을 높이기 위해 각 배치의 평균과 분산을 정규화하는 기법입니다.
하이퍼파라미터 조정은 모델 성능을 최적화하기 위해 학습률, 배치 크기 등을 조정하는 과정을 의미합니다.
데이터 전처리는 원본 데이터를 변환하여 모델 학습에 적합한 형식으로 만드는 과정으로, 성능 향상에 기여합니다.
모델 평가는 학습된 모델의 성능을 검증하기 위해 테스트 데이터셋을 사용하여 정확도 및 손실을 측정하는 과정입니다.
데이터 증강은 다양한 변형을 통해 학습 데이터의 양을 늘리고 모델의 일반화 능력을 향상시키는 기법입니다.
