인공신경망 중에서 가장 대표적인 두 모델인 CNN과 RNN

1. CNN (Convolutional Neural Network, 합성곱 신경망)

"공간을 보는 눈"

CNN은 이미지의 공간적인 정보를 유지하면서 특징을 추출하는 데 특화되어 있습니다. 일반적인 신경망은 이미지를 1차원으로 쫙 펼쳐서 입력하기 때문에 "눈과 코의 위치 관계" 같은 정보가 무너지기 쉬운데, CNN은 이를 방지합니다.

• 핵심 원리: **필터(Filter/Kernel)**를 사용합니다. 돋보기를 들고 이미지를 구석구석 훑으며 특징(선, 면, 질감 등)을 찾아내는 방식입니다.
• 주요 구성 요소:
  • 합성곱 층(Convolutional Layer): 필터를 거쳐 이미지의 특징 맵(Feature Map)을 생성합니다.
  • 풀링 층(Pooling Layer): 데이터의 크기를 줄여 핵심 정보만 남기고 계산량을 줄입니다.
• 주요 용도: 이미지 분류, 사물 탐지(Object Detection), 자율 주행 차량의 시각 시스템 등.

---

2. RNN (Recurrent Neural Network, 순환 신경망)

"순서를 기억하는 뇌"

RNN은 데이터의 **순서(Sequence)**와 문맥이 중요한 데이터를 처리하는 데 최적화되어 있습니다. 이전 단계의 계산 결과가 다시 다음 단계의 입력으로 들어가는 '순환(Recurrent)' 구조를 가집니다.

• 핵심 원리: **기억력(Hidden State)**이 있습니다. 예를 들어, "나는 학교에..." 다음에 올 단어를 예측할 때, 앞에서 나온 "나는"이라는 단어를 기억하고 있어야 적절한 예측이 가능합니다.
• 주요 구성 요소:
  • 순환 구조: 현재 입력값($x_t$)과 이전 상태의 기억($h_{t-1}$)을 함께 연산합니다.
  • 개선 모델: 기본 RNN은 뒤로 갈수록 앞의 내용을 잊어버리는 문제(기울기 소실)가 있어, 이를 보완한 LSTM이나 GRU가 주로 쓰입니다.
• 주요 용도: 번역기, 챗봇(자연어 처리), 주가 예측(시계열 데이터), 음성 인식 등.

3. 한눈에 비교하기

구분	CNN	RNN
특징	데이터의 공간적 특징 추출	데이터의 시간적/순차적 특징 추출
데이터 예시	사진, 영상	문장, 음성, 주식 차트
핵심 키워드	필터(Filter), 합성곱(Convolution)	기억(Memory), 순환(Loop)
비유	숲 전체를 훑으며 나무의 모양을 찾기	소설을 읽으며 앞뒤 맥락을 파악하기