CNN 아키텍처

학습 목표

이 레슨을 완료하면:

• •CNN 아키텍처의 발전 역사를 이해합니다
• •LeNet, AlexNet, VGG의 구조와 특징을 파악합니다
• •각 아키텍처의 핵심 기여를 설명할 수 있습니다
• •현대 CNN 설계 원칙을 배웁니다

---

핵심 메시지

"CNN의 역사는 '더 깊게, 더 효율적으로'의 여정입니다." LeNet의 5층에서 시작해 VGG의 19층, ResNet의 152층까지. 깊이가 깊어질수록 더 복잡한 패턴을 학습할 수 있게 되었습니다.

---

1. LeNet-5 (1998)

비유: LeNet은 CNN의 "원조 할아버지"입니다. 손글씨 숫자 인식을 위해 설계된 최초의 성공적인 CNN으로, 현대 CNN의 모든 핵심 요소를 이미 갖추고 있었습니다.

LeNet-5 구조

LeNet의 핵심 기여

---

2. AlexNet (2012)

비유: AlexNet은 "딥러닝 르네상스의 시작"입니다. 2012년 ImageNet 대회에서 기존 방법들을 압도적으로 이기며 딥러닝 시대를 열었습니다.

AlexNet의 혁신

AlexNet 구조 요약

---

3. VGGNet (2014)

비유: VGG는 "단순함의 미학"을 보여줍니다. 3×3 작은 필터만 사용하고 깊이를 늘리는 간단한 전략으로 뛰어난 성능을 달성했습니다.

VGG의 핵심 아이디어

"3×3 필터만 사용하자!"

왜 3×3인가?

• •5×5 필터 1개 = 3×3 필터 2개와 같은 수용 영역
• •7×7 필터 1개 = 3×3 필터 3개와 같은 수용 영역
• •파라미터는 더 적고, 비선형성은 더 많음

VGG 구조

---

4. 아키텍처 발전 비교

🔬 실습: 아키텍처 비교

python
⚠️ 로컬 실행 필요복사
import torch
import torch.nn as nn

# ═══════════════════════════════════════════════════════════════
# 📊 CNN 아키텍처 비교: 파라미터 수와 구조
# ═══════════════════════════════════════════════════════════════

# 간단한 VGG-스타일 블록
class VGGBlock(nn.Module):
    def __init__(self, in_ch, out_ch, num_convs):
        super().__init__()
        layers = []
        for i in range(num_convs):
            layers.append(nn.Conv2d(in_ch if i == 0 else out_ch, out_ch, 3, padding=1))
            layers.append(nn.BatchNorm2d(out_ch))
            layers.append(nn.ReLU(inplace=True))
        layers.append(nn.MaxPool2d(2, 2))
        self.block = nn.Sequential(*layers)

    def forward(self, x):
        return self.block(x)

# 간단한 CNN 모델들 정의
class SimpleCNN(nn.Module):
    def __init__(self, name, config):
        super().__init__()
        self.name = name
        self.features = nn.Sequential(*[
            VGGBlock(in_ch, out_ch, num_convs)
            for in_ch, out_ch, num_convs in config
        ])
        self.classifier = nn.Linear(512 * 7 * 7, 1000)

    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        return self.classifier(x)

# 설정: (입력채널, 출력채널, Conv 레이어 수)
configs = {
    'VGG-11 스타일': [(3, 64, 1), (64, 128, 1), (128, 256, 2), (256, 512, 2), (512, 512, 2)],
    'VGG-16 스타일': [(3, 64, 2), (64, 128, 2), (128, 256, 3), (256, 512, 3), (512, 512, 3)],
}

print("=" * 60)
print("📊 CNN 아키텍처 비교")
print("=" * 60)

for name, config in configs.items():
    model = SimpleCNN(name, config)
    total_params = sum(p.numel() for p in model.parameters())
    trainable = sum(p.numel() for p in model.parameters() if p.requires_grad)

    print(f"\n{name}:")
    print(f"  총 파라미터: {total_params:,}")
    print(f"  학습 가능: {trainable:,}")

# 역사적 발전 요약
print("\n" + "=" * 60)
print("📈 CNN 아키텍처 발전 역사")
print("=" * 60)

history = [
    ("1998", "LeNet-5", "5층", "6만", "손글씨 인식의 시작"),
    ("2012", "AlexNet", "8층", "6천만", "딥러닝 르네상스"),
    ("2014", "VGG", "19층", "1.4억", "3×3 필터의 힘"),
    ("2014", "GoogLeNet", "22층", "5백만", "Inception 모듈"),
    ("2015", "ResNet", "152층", "6천만", "스킵 연결"),
]

print(f"{'년도':<6} {'모델':<12} {'깊이':<8} {'파라미터':<10} {'핵심 기여'}")
print("-" * 60)
for year, model, depth, params, contribution in history:
    print(f"{year:<6} {model:<12} {depth:<8} {params:<10} {contribution}")

print("\n💡 더 깊어지면서도 효율적인 방향으로 발전했습니다!")

---

5. 현대 CNN 설계 원칙

---

핵심 요약

---

학습 체크리스트

• • LeNet의 역사적 의의를 설명할 수 있다
• • AlexNet의 혁신 5가지를 나열할 수 있다
• • VGG의 3×3 필터 전략을 이해한다
• • 현대 CNN 설계 원칙을 알고 있다

다음 강의 예고

"CNN 구현 (MNIST)" - PyTorch로 CNN을 직접 구현하고 MNIST를 분류합니다!