PART 09 / CHAPTER 30

30 · CNN과 convolution의 작동

작은 필터가 이웃 셀을 읽는 방식과 CNN의 학습을 구분합니다.

학습 목표: 작은 필터가 이웃 셀을 읽는 방식과 CNN의 학습을 구분합니다.

준비: 실행 환경 · 도구와 용어. 예제 자료는 별도 표시가 없는 한 합성 자료입니다.

개념

CNN(Convolutional Neural Network)은 작은 필터를 여러 위치에 적용해 특징을 추출하는 신경망입니다. Convolution 층은 주변 셀의 값에 가중치를 곱해 더합니다. PyTorch Conv2d의 연산은 엄밀히는 필터를 뒤집지 않는 교차상관입니다. 실무에서는 이 층을 통상 convolution 층이라고 부릅니다.

커널 크기는 한 번에 보는 주변 범위, stride는 이동 간격, padding은 가장자리 처리입니다. 신경망 학습에서는 필터 가중치를 자료로부터 조정하지만, 아래 예제는 평균 필터를 직접 고정합니다.

왜 필요한가

도로나 수관의 패턴은 한 셀의 값뿐 아니라 주변 모양과 관계가 있습니다. 다만 같은 3×3 커널이라도 1m 영상과 10m 영상에서 보는 지상 범위는 다릅니다.

핵심 API

torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding, bias)와 torch.no_grad()를 사용합니다. 입력과 출력의 채널 수 및 공간 크기를 계산해 보세요.

최소 실행 예제

import torch
from torch import nn

x = torch.arange(1,10,dtype=torch.float32).reshape(1,1,3,3)
layer = nn.Conv2d(1,1,kernel_size=3,bias=False)
with torch.no_grad():
    layer.weight.fill_(1/9)
    y = layer(x)
assert tuple(y.shape) == (1,1,1,1)
assert torch.isclose(y.flatten()[0], torch.tensor(5.0))
print("3x3 mean:", y.item())

조경·도시 실무 예제

출력 5는 1~9의 평균입니다. 지형 평활화의 개념을 이해하는 데 쓸 수 있지만 이 필터가 식재 적합성을 학습한 것은 아닙니다. 실제 CNN에는 여러 층과 비선형 활성화, 손실함수, 학습자료가 필요합니다.

시각화와 결과 읽기

3×3 입력과 동일한 1/9 가중치 아홉 개를 나란히 그리고 합산이 5가 되는 과정을 설명하세요.

흔한 오류

padding=1의 바깥 0은 실제 관측값이 아닙니다. NoData가 주변 연산에 퍼질 수 있습니다. 필터 출력이 보기 좋다고 분석 정확도가 입증되는 것은 아닙니다.

연습문제

가운데 가중치만 1, 나머지는 0으로 바꾸고 평균 필터와 차이를 설명하세요.

전체 예제 내려받기 · 실행: python chapter30.py

다음 단계

31 · Semantic segmentation과 라벨로 이어집니다.

출처

PyTorch Conv2d. 확인 2026-09-30.