# 합성곱 신경망 CNN

[원문](https://www.linkymeadow.com/w/ab8ac8/)

마지막 수정: 2026-10-05 22:50 (KST)

합성곱 신경망(CNN, Convolutional Neural Network)은 학습 가능한 필터를 입력의 여러 위치에 적용해 특징을 추출하는 신경망 구조입니다. 이미지에서는 주변 픽셀을 함께 살피는 국소 연결과 가중치 공유를 이용하고, 합성곱·활성화 함수 등의 층을 쌓아 특징을 조합합니다.

아래 자료는 필터와 특징 맵의 계산에서 이미지 분류·분할, 사전학습 모델의 재사용으로 이어집니다. CNN은 신경망의 구조를 가리키며, 디퓨전 모델의 노이즈 제거 네트워크에도 CNN을 바탕으로 한 U-Net 계열이 쓰입니다.

## 처음 읽기

- [합성곱 신경망 — TensorFlow](https://www.tensorflow.org/tutorials/images/cnn?hl=ko) · 한국어

  Conv2D·MaxPooling2D로 CNN을 구성하고 CIFAR-10 이미지 분류 모델을 학습·평가하는 공식 튜토리얼입니다.
- [Convolutional Neural Networks — Stanford CS231n](https://cs231n.github.io/convolutional-networks/) · 영문

  국소 연결·가중치 공유·수용 영역과 합성곱·활성화·풀링 층이 특징 맵을 만드는 과정을 그림과 예제로 설명합니다.

## 합성곱과 특징 맵

- [Convolutions for Images — Dive into Deep Learning](https://d2l.ai/chapter_convolutional-neural-networks/conv-layer.html) · 영문

  필터와 입력을 곱하고 더하는 계산, 특징 맵·수용 영역과 수학적 합성곱·교차 상관의 차이를 설명합니다.
- [Padding and Stride — Dive into Deep Learning](https://d2l.ai/chapter_convolutional-neural-networks/padding-and-strides.html) · 영문

  입력 가장자리를 채우는 패딩과 필터 이동 간격인 스트라이드가 출력 크기에 미치는 영향을 설명합니다.
- [Multiple Input and Multiple Output Channels — Dive into Deep Learning](https://d2l.ai/chapter_convolutional-neural-networks/channels.html) · 영문

  여러 입력 채널을 결합하고 필터별 출력 채널을 만드는 방식과 1×1 합성곱을 다룹니다.
- [Pooling — Dive into Deep Learning](https://d2l.ai/chapter_convolutional-neural-networks/pooling.html) · 영문

  최대·평균 풀링으로 주변 값을 모으는 방법과 풀링의 패딩·스트라이드·채널 처리를 설명합니다.

## 대표 구조와 논문

- [Convolutional Neural Networks (LeNet) — Dive into Deep Learning](https://d2l.ai/chapter_convolutional-neural-networks/lenet.html) · 영문

  LeNet의 합성곱·풀링·완전 연결 층을 따라 구성하고 이미지 분류 학습을 구현합니다.
- [ImageNet Classification with Deep Convolutional Neural Networks — Krizhevsky 외](https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html) · 영문

  AlexNet의 깊은 CNN 구조와 ReLU·드롭아웃·GPU 학습을 이용한 대규모 이미지 분류를 다룬 논문입니다.
- [Very Deep Convolutional Networks for Large-Scale Image Recognition — Simonyan·Zisserman](https://arxiv.org/abs/1409.1556) · 영문

  작은 3×3 필터를 쌓은 VGG 구조로 신경망 깊이가 이미지 인식에 미치는 영향을 비교합니다.
- [Deep Residual Learning for Image Recognition — He 외](https://arxiv.org/abs/1512.03385) · 영문

  입력을 건너뛰어 더하는 잔차 연결로 깊은 신경망의 학습을 돕는 ResNet을 제안합니다.
- [MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications — Howard 외](https://arxiv.org/abs/1704.04861) · 영문

  깊이별 분리 합성곱과 모델 크기 조절로 연산 비용·정확도의 균형을 다루는 경량 CNN을 제안합니다.
- [U-Net: Convolutional Networks for Biomedical Image Segmentation — Ronneberger 외](https://arxiv.org/abs/1505.04597) · 영문

  특징을 압축하는 경로와 공간 해상도를 복원하는 경로를 연결해 이미지 영역을 분할하는 U-Net을 제안합니다.

## 코드로 따라가기

- [Training a Classifier — PyTorch](https://docs.pytorch.org/tutorials/beginner/blitz/cifar10_tutorial.html) · 영문

  데이터 로딩·CNN 정의·손실 계산·학습·평가를 CIFAR-10 예제로 따라가는 공식 튜토리얼입니다.
- [Transfer Learning for Computer Vision Tutorial — PyTorch](https://docs.pytorch.org/tutorials/beginner/transfer_learning_tutorial.html) · 영문

  사전학습 CNN을 미세조정하거나 특징 추출기로 고정해 새 분류 문제에 활용하는 방법을 비교합니다.

## 관련 문서

- [디퓨전 모델](https://www.linkymeadow.com/w/2ba78e/)
- [트랜스포머(Transformer)](https://www.linkymeadow.com/w/498d84/)
- [이미지 생성 AI](https://www.linkymeadow.com/w/7b8f20/)
- [AI·에이전트](https://www.linkymeadow.com/w/dd12dc/)