딥러닝에서 사용되는 합성곱 신경망(Convolutional Neural Network, CNN) 은 이미지 인식, 패턴 인식 및 컴퓨터 비전 작업에 주로 사용됩니다. CNN은 신경망의 한 유형으로, 이미지에서 특징을 학습하고 분류하는 데 효과적입니다. CNN은 합성곱층(convolutional layer), 풀링층(pooling layer) 및 완전 연결층(fully connected layer)으로 구성됩니다.

합성곱층(Convolutional Layer)

합성곱층은 입력 이미지에 필터(filter)를 적용하여 특징 맵(feature map)을 생성합니다. 필터는 입력 이미지의 작은 영역에 적용되어 특정 패턴이나 기능을 감지합니다. 필터가 이미지 위를 움직이면서 특징 맵을 만들어 냅니다.

풀링층(Pooling Layer)

풀링층은 특징 맵의 크기를 줄이는 역할을 합니다. 이는 계산 비용을 줄이고, 과적합을 방지하고, 변화에 대한 강인성을 높이는 데 도움이 됩니다. 풀링 기법으로는 최대 풀링(max pooling)과 평균 풀링(average pooling)이 가장 일반적으로 사용됩니다.

완전 연결층(Fully Connected Layer)

완전 연결층은 이전 층의 특징을 입력으로 받아들여 실제 분류를 수행하는 역할을 합니다.

CNN은 이미지 처리 작업에서 우수한 성능을 보이며, 텍스트 및 시계열 데이터에서도 사용될 수 있습니다. CNN은 모델 매개변수의 수를 감소시키고, 지역적 구조를 캡처할 수 있어서 많은 실전 응용 분야에서 광범위하게 사용되고 있습니다.

이렇듯, CNN은 이미지 및 다양한 형태의 데이터 분석에 유용한 딥러닝 모델 중 하나입니다.