dropout → 100 x 784 == 99 x 784

• 쓸 수 있는 Weight들을 모두 쓰는 것이 능사는 아님…

  → 필요한 것만 사용..

이미지 → 2차원 배열

FC layer로 인해 중요하지 않은 feature들도 학습하게 됨…

Weighted Sum ⇒ 주변의 픽셀들만 보게됨.

zero padding 수행 시, 모서리의 feature들도 더 고려할 수 있게 됨.

stride 사용 시, stride=2 이면, 두 칸씩 건너뛰어 feature map의 사이즈가 다르게 됨.

Pooling : feature의 개수를 줄여줌. (중요한 성질만 갖도록)

→ Max Pooling : feature 중 제일 두드러진 값을 선

Deep Neural Network