Deep Learning Academy · 강의

합성곱: 커널이 픽셀 위를 이동하는 과정

필터가 윤곽선과 질감을 감지하는 방식을 알아봅니다

합성곱: 커널이 픽셀 위를 이동하는 과정은(는) CoddyKit의 무료 Deep Learning Academy 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Deep Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

An Image Is Just Numbers

To a network, a photo is a grid of pixel values. A small grayscale image might be 28x28 numbers, each from 0 (black) to 255 (white).

Why Not Just Flatten It?

Flattening an image into one long vector throws away the spatial layout. Pixels near each other matter, and a plain dense layer ignores that.

Meet the Kernel

A kernel is a tiny grid of weights, often 3x3. It slides across the image, looking at one small patch at a time.

The Sliding Window

At each position the kernel covers a patch, multiplies overlapping values, and sums them into one number. Then it slides over and repeats. 🔍

That Sum Is the Output Pixel

Each weighted sum becomes a single pixel in the result. Slide across the whole image and you build a fresh grid called a feature map.

Kernels Detect Patterns

A well-tuned kernel lights up where its pattern appears. One kernel might fire on vertical edges, another on bright corners or smooth textures.

An Edge Detector by Hand

This classic 3x3 kernel responds strongly to vertical edges, where light meets dark across a column.

edge_kernel = [
    [-1, 0, 1],
    [-1, 0, 1],
    [-1, 0, 1],
]

The Weights Are Learned

You do not hand-pick kernel numbers. Training adjusts them so each filter learns whatever pattern helps the network classify images.

Same Kernel, Everywhere

One kernel reuses the same weights across the whole image. This weight sharing means far fewer parameters than a dense layer would need.

A Conv Layer in PyTorch

nn.Conv2d wraps all of this. Here a Conv2d takes 1 input channel and learns 8 different 3x3 kernels.

import torch.nn as nn
conv = nn.Conv2d(1, 8, kernel_size=3)

Many Kernels, Many Maps

That layer learns 8 kernels, so it outputs 8 feature maps. Each one highlights a different pattern the network found useful.

Quick Check

Let us check what a convolution kernel actually produces.

Recap: Kernels Slide

You learned that a kernel slides over pixels, summing weighted patches into a feature map. Its weights are learned, shared, and tuned to spot edges and textures. 🎉

자주 묻는 질문

“합성곱: 커널이 픽셀 위를 이동하는 과정” 강의는 무료인가요?

네 — “합성곱: 커널이 픽셀 위를 이동하는 과정” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Deep Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“합성곱: 커널이 픽셀 위를 이동하는 과정”에서 뭘 배우나요?

필터가 윤곽선과 질감을 감지하는 방식을 알아봅니다 브라우저에서 직접 실행하는 실습 코드로 Deep Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Deep Learning Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Deep Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“합성곱: 커널이 픽셀 위를 이동하는 과정” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Deep Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Deep Learning Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Deep Learning Academy(으)로 돌아가기