Jeonghun (James) Lee: Deep Learning 의 기초자료 수집 (CNN)

2/07/2019

Deep Learning 의 기초자료 수집 (CNN)

1. Deep Learning 부분 자료 수집

오늘 Meetup의 Data Science 모임을 다녀와서 Deep Learning에 관련된 용어 및 관련구조 흐름을 파악하고, 관련된 부분을 정리한다.
최근에, Machine / Deep Learning에 대해 알기 위해서 자료수집을 비롯하여, 관련내용들을 정리하기로 하였다.

CNN(convolutional neural network)

Deep Learning하게 되면 꼭 듣게되는 CNN 설명이며, Wiki 설명이 잘되어있다.

https://en.wikipedia.org/wiki/Convolutional_neural_network

합성곱(Convolution)을 좀 더 이해하고자 하면, 동작원리를 알면, 쉽게 상위 CNN부분도 이해가 간다.

구지, Deep Learning 이 아니여도, DSP에서도 Audio/Video에서도 사용되는 것이므로, 반드시 기본개념은 이해해야한다.

아래의 그림예제가 있으니, 쉽게 이해가 갈 것이라고 생각되어진다.

Tensorflow Colab 기반으로 실습 및 설명

최근에 다시 찾은 것으로 설명 및 실습이 너무 잘되어있다.

https://github.com/aamini/introtodeeplearning

https://colab.research.google.com/github/aamini/introtodeeplearning/blob/master/lab2/Part1_MNIST.ipynb

2D Convolutions 의 기본동작

Convolutions 의 동작을 보면 아래와 같이 좌측 Input 과 Filter 역할을 하는 Kernel 과 최종 Output로 볼 수 있다.

좀 확대해서 생각하면 Filter 개념으로도 생각해도 될꺼 같다.

https://towardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f42faee1

Input 5x5 Matrix (청색)
Kernel 3x3 Matrix
Output 3x3 Matrix (Weight의 합으로 특징을 추출, 녹색)

좌측청색은 Input 이며, Kernel(Weight)이 합성곱(Convolution)을 이용하여, 슬라이드로 움직이면서 Output(Weight 합) 추출

Kernel

0 1 2

2 2 0

0 1 2

2D Convolution 의 Padding (확장)

2D Convolution 기본동작시 Kerenl을 Input의 양끝까지 적용하여 사용하려고 하면 Padding 문제가 생기는 것으로 보인다.

Input 5x5 Matrix
Kernel 3x3 Matrix
Output 5x5 Matrix

결과적으로 Output 즉 특징을 3x3 -> 5x5로 확장하고자 할때 사용하는 것으로 보인다.

Kernel을 순차적으로 움직이면, Kernel 과 동일한 Output은 3x3이지만, Padding하여, 확장한다.

아래를 보면 Input 과 Output Matrix가 동일하다.

물론 Input의 Padding으로 양끝의 오차는 발생할 것이며, 이를 감수하고 사용할 것 같다.

https://towardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f42faee1

2D Convolution 의 Striding (축소)

상위기본에서 Output 즉 특징을 3x3에서 2x2로 축소하고자 할때 사용하는 것으로 보인다.

원래대로 하면, Output은 Kernel과 동일한 3x3 으로 나와야 하지만,한 번 건너 뛰어서, 이를 축소한다. (3x3->2x2)

Input 5x5 Matrix
Kernel 3x3 Matrix
Output 2x2 Matrix

영상에서 특징추출

상위 자료를 보면서 이전에 Camera의 Bayer Pattern 이 기억이 나면서 각 그림들이 쉽게 이해가 간다.

재미있는 것은 아래와 같이 Edge도 추출도 하고, 추출된 Feature들을 Visualzation도 가능하다고 하는데, 그 부분이 많이 흥미로웠다.

좌측 Input
중간 kernel
우측 Output

Convolution 의 이해 내용출처

https://towardsdatascience.com/intuitively-understanding-convolutions-for-deep-learning-1f6f42faee1

CNN의 사용되는 구조 및 용어파악

MNIST의 CNN(Convolutional Neural Network)의 구조인 것으로 보이며, 상위 사이트 설명과 많은 부분이 중복되지만, 쉽게 설명이 되어있어 쉽게 CNN을 이해했다.

http://taewan.kim/post/cnn/

Batch Size 부터 각 용어들을 설명해주어 쉽게파악

https://radiopaedia.org/articles/batch-size-machine-learning

KAGGLE

AI에 관련된 기술 및 관련내용이 많다고 해서 가입하고 관련내용들을 보고 있다.

  https://www.kaggle.com/
  https://developers.ascentnet.co.jp/2017/11/24/kaggle-process-review/
  https://en.wikipedia.org/wiki/Kaggle
  https://www.kaggle.com/c/titanic/kernels

Data Pipeline 의 구조 (BigData)

Cloud 기반으로 BigData를 수집하고 이를 Piple Line형태로 연결하여 빠르게 데이타를 연결하고 Deep Learning를 학습한다.
https://www.dativa.com/best-practice-data-pipeline-architecture-in-2018/
https://docs.aws.amazon.com/ko_kr/datapipeline/latest/DeveloperGuide/what-is-datapipeline.html
https://cloud.google.com/solutions/big-data/?hl=ko

AWS/Azure/Google DATA Pipe line

  https://aws.amazon.com/ko/datapipeline/
  https://docs.microsoft.com/ko-kr/azure/hdinsight/spark/apache-spark-creating-ml-pipelines
  http://www.ciokorea.com/news/39248
  https://cloud.google.com/data-science/?hl=ko
  https://aws.amazon.com/ko/blogs/korea/get-started-with-deep-learning-using-the-aws-deep-learning-ami/

DATA Pipeline 한글자료

https://www.slideshare.net/deview/236-67609108
http://slides.com/openstack/sktechx11th#/

xgboost

다른 한 외국 친구가 아래 것을 자꾸 언급하면서 최적화 및 관련사항을 문의하고 하는데, 이해하지 못해 아래와 같이 관련자료만 수집한다.
https://brunch.co.kr/@snobberys/137
https://xgboost.readthedocs.io/en/latest/

Bigdata 의 Data Visualization

처음 visualization이 OpenCV이나 이런 Vision 관련부분을 처리하는 기능의 의미하는 줄 알았는데, 관련모임에서 만난 친절한 다른 외국인이 자세히 설명해주어 이해하기가 쉬었다.
일단, Deep Learning System Training 혹은 Inference를 하게 되면, 이를 확인 및 검증을 위해서 수치화 및 통계 자료가 필요한데,

이를 쉽게 그래프 및 다양한 차트로 이를 보여주는 기능이다.

Tensorflow에서 Data Visualization 하면 Tensorboard라고 생각하면 될 것 같다.
https://en.wikipedia.org/wiki/Data_visualization