<aside>

🎯 학습 목표

• CNN이 왜 이미지 처리에 효과적인지 이해하기
• CNN의 핵심 구성 요소의 역할과 동작 방식 파악하기
• PyTorch를 통해 구현된 간단한 CNN 모델을 직접 보고 이해하기 </aside>

<aside>

목차

1. **CNN 개요 🖼️**

   1.1. 이미지 데이터의 특징 (공간적 구조, 지역적 패턴)

   1.2. 기존의 MLP (다층 퍼셉트론) 방식의 한계점 (파라미터 수, 공간 정보 손실)

   1.3. CNN의 아이디어: "이미지는 지역적인 패턴의 조합이다!" (Locality & Shared Weights)

2. **CNN의 핵심 구성 요소 🔑**

   2.1. 핵심 빌딩 블록 🧱: 합성곱 (Convolution) 계층

   2.2. 정보 압축 📉: 풀링 (Pooling) 계층

   2.3. 최종 결정 🎯: 완전 연결 (Fully Connected) 계층

3. **CNN 모델 조립하기 🧩**

   3.1. PyTorch nn.Module로 전체 모델 정의하기

   3.2. 모델 이해하기

</aside>

1. CNN 개요 🖼️

CNN(Convolutional Neural Networks, 합성곱 신경망)은 특히 이미지 인식 및 처리 분야에서 혁신적인 성과를 이끌어낸 딥러닝 모델의 한 종류입니다. CNN이 왜 강력하며, 기존 방식과 어떤 차별점을 가지는지 알아보겠습니다.

1.1. 이미지 데이터의 특징

이미지 데이터는 일반적인 정형 데이터와는 다른 고유한 특징을 가지고 있습니다.

• 공간적 구조 (Spatial Structure): 이미지 내 픽셀들은 단순한 숫자 배열이 아닙니다. 인접한 픽셀들은 서로 연관되어 있으며, 이러한 관계가 모여 선, 질감, 형태, 더 나아가 객체(object)를 이룹니다. 픽셀의 '위치' 정보는 매우 중요합니다.
• 지역적 패턴 (Local Patterns): 이미지의 특정 영역에는 반복적으로 나타나는 지역적인 패턴이 존재합니다. 예를 들어, 사람 얼굴 이미지에서는 눈, 코, 입과 같은 패턴이 이미지 내의 특정 영역에 나타나며, 이러한 패턴은 이미지의 다른 위치에서도 유사하게 발견될 수 있습니다.

1.2. 기존 MLP 방식의 한계점

전통적인 신경망인 다층 퍼셉트론(MLP, Multi-Layer Perceptron) 또는 완전 연결 신경망으로 이미지 데이터를 처리하려고 할 때 몇 가지 문제점에 직면합니다.

• 파라미터 수의 폭증 (Parameter Explosion): MLP는 입력 데이터의 모든 요소(픽셀)를 다음 레이어의 모든 뉴런과 연결합니다. 이미지를 1차원 벡터로 펼쳐서 입력으로 사용하는데, 이미지 크기가 커지면 연결 가중치(파라미터)의 수가 기하급수적으로 증가합니다. 예를 들어, 100x100 픽셀의 작은 컬러(RGB) 이미지만 해도 입력 뉴런 수는 100 * 100 * 3 = 30,000개가 됩니다. 첫 번째 은닉층의 뉴런 수가 1,000개라면, 첫 연결에만 30,000 * 1,000 = 3천만 개의 파라미터가 필요합니다. 이는 계산 비용과 과적합(overfitting) 문제를 야기합니다.
• 공간 정보 손실 (Loss of Spatial Information): 이미지를 1차원 벡터로 펼치는 과정에서 픽셀 간의 공간적(2D) 구조 정보가 손실됩니다. MLP는 어떤 픽셀이 서로 가까이 있었는지, 어떤 구조를 이루고 있었는지 고려하지 못하고 독립적인 값으로 처리하게 됩니다. 이는 이미지의 중요한 특징을 놓치게 만들 수 있습니다.

1.3. CNN의 아이디어: "이미지는 지역적인 패턴의 조합이다!"