Pooling 과 Recurrent layer

~8 min · layers

Level 0Keras 도제

0 XP0/97 lessons0/20 achievements

0/120 XP to next level120 XP to go0% complete

Pooling — MaxPooling2D / AveragePooling2D / GlobalAveragePooling2D. spatial dim 줄여 + receptive field 키움. GlobalAveragePooling 은 전체 spatial 을 평균 한 vector — Dense 직전에 자주 쓰임.

Recurrent — LSTM / GRU / SimpleRNN. sequence 처리. 2024+ 에는 거의 다 Transformer 로 대체됐지만 작은 sequence (시계열, 짧은 텍스트) 는 LSTM 이 여전히 간결. return_sequences=True 면 모든 timestep 출력, False 면 마지막만.

Code

# LSTM: Long Short-Term Memory
layers.LSTM(64, return_sequences=True)  # Output at every timestep
layers.LSTM(64)                             # Output at last timestep only

# GRU: Gated Recurrent Unit (simpler, often comparable)
layers.GRU(64)

# Bidirectional wrapper: processes sequence forward AND backward
layers.Bidirectional(layers.LSTM(64))

External links

Exercise

같은 sequence classifier 두 방식으로 — (a) LSTM(64) + Dense, (b) MultiHeadAttention + GlobalAvgPool1D + Dense. 둘 다 학습. 시간 / 정확도 차이 메모.

Progress

Progress is local-only — sign in to sync across devices.

← PreviousConvolutional layer Next →Attention 과 Normalization

이 페이지에서 버그를 발견하셨거나 피드백이 있으세요?문제 신고

🔔 답글 알림 (로그인 필요)

로그인 — 댓글을 남기려면 로그인해 주세요.

아직 댓글이 없어요. 첫 댓글을 남겨보세요.