숫자를 어떻게 알아볼까?
내가 쓴 숫자가 컴퓨터에게 어떤 모습으로 보이는지, 일곱 단계로 따라가 봅시다.
⑤는 실제 처리 단계가 아니라, Flatten 규칙을 원본 28×28 격자로 먼저 이해하는 연습입니다.
① 숫자를 하나 써 봅시다
직접 하기칸 안에 0부터 9까지 중 하나를 크게 써 주세요. 이 그림을 MNIST와 같은 형식으로 바꾸는 것이 다음 단계들입니다.
내가 쓴 숫자 (280 × 280)
MNIST는 사람이 손으로 쓴 숫자 7만 장을 모아 둔 자료입니다. 이 자료에서는 사진 한 장이 이미 가로 28칸 · 세로 28칸으로 되어 있습니다. 모델은 오직 그 형식만 보고 배웠습니다.
그래서 우리 그림도 형식을 맞춰야 합니다. 우리가 쓰는 칸은 마우스로 그리기 편하도록 280 × 280으로 크게 잡았습니다. 이대로는 모델에 넣을 수 없으니, 다음 단계에서 MNIST와 같은 28 × 28로 변환합니다.
② 28 × 28 로 줄입니다
크기 맞추기MNIST 자료가 처음부터 28 × 28이므로, 모델도 28 × 28만 받을 수 있습니다. 내가 쓴 280 × 280 그림을 그 형식에 맞춰 변환하는 단계입니다.
줄인 뒤 (28 × 28을 크게 확대)
그래서 획이 굵으면 진하게, 가늘면 흐리게 남습니다. 흐릿한 가장자리가 생기는 것도 이 때문입니다.
이제 내 그림은 MNIST의 사진 한 장과 똑같은 모양이 되었습니다. 여기서부터는 모델이 학습할 때 본 것과 구별할 수 없는 형식입니다.
③ 칸마다 밝기를 숫자로 적습니다
그림 → 수컴퓨터에게 그림은 없습니다. 784개의 숫자가 있을 뿐입니다. 아무것도 없는 칸은 0, 가장 진한 칸은 255입니다.
0 ~ 255 값
MNIST 자료는 배경이 0(검정), 글씨가 255(흰색)입니다. 우리가 흰 종이에 검게 썼으니 값을 뒤집어 맞춰 줍니다.
④ 0 ~ 1 사이로 눕힙니다
정규화모든 값을 255로 나눠 0과 1 사이로 만듭니다. 숫자가 커지면 뒤에 이어지는 곱셈과 덧셈에서 값이 불어나 계산이 흔들리기 때문입니다.
나눈 뒤의 값 (소수 첫째 자리)
⑤ Flatten 규칙을 먼저 연습합니다
개념 미리보기이 화면은 실제 모델의 처리 순서를 단순하게 연습하는 장면입니다. 원본 28×28 격자를 예로 들어, 맨 윗줄부터 한 줄씩 이어 붙이는 Flatten 규칙을 살펴봅니다. 그래서 이 연습에서는 28×28×1 = 784개가 한 줄이 됩니다.
맨 윗줄부터 한 줄씩 떼어 내 오른쪽으로 이어 붙입니다. 한 줄씩 옮겨지는 과정을 큰 화면에서 직접 재생해 보세요.
팝업에서 재생·속도 조절을 할 수 있고, 긴 줄의 한 자리를 골라 그 줄의 28칸 값도 볼 수 있습니다.
왜 한 칸씩은 안 보일까요? 긴 줄에서 칸 하나의 너비는 1.5px입니다. 테두리를 1px만 둘러도 테두리가 칸보다 두꺼워지니, 784개를 각각 나눠 그리는 것은 화면의 한계로 불가능합니다. 그래서 아래 색 띠로 28칸씩 묶어 세어 볼 수 있게 하고, 가리킨 자리는 선으로 이어 28배로 키워 보여 줍니다.
여기서 무엇을 잃을까요? 한 줄로 펴는 순간 어느 칸이 어느 칸 옆에 있었는지가 사라집니다. 격자에서는 위아래로 붙어 있던 두 칸이, 한 줄에서는 28칸이나 떨어져 놓입니다.
하지만 실제 모델은 여기서 원본 784개를 펴지 않습니다. 먼저 Conv2D와 MaxPooling2D로 이웃한 칸의 특징을 찾고 크기를 줄입니다. 그 결과인 7×7×64 = 3,136개를 ⑥에서 실제로 Flatten합니다.
실제 모델: 7×7×64 = 3,136 → 한 줄
⑥ 실제 모델 안을 들여다봅니다
실제 계산아래 그림은 설명을 위해 지어낸 것이 아니라, 이 앱이 실제로 쓰는 models/mnist/model.json 에서 꺼낸 진짜 값입니다. 필터·특징 지도·출력 모두 내가 쓴 숫자로 그 자리에서 계산합니다. 여기서 원본 격자를 바로 펴는 대신 Conv · Pool → 7×7×64 → Flatten 3,136의 실제 순서를 확인합니다.
첫 번째 Conv2D 가 가진 실제 필터
왼쪽 필터를 누르면 그 값이 여기에 나옵니다
사람이 정해 준 것이 아니라 수많은 손글씨를 보며 스스로 정한 값입니다. 비스듬한 줄, 가장자리, 굵기 변화 같은 것을 찾도록 자리가 잡혔습니다.
내가 쓴 숫자가 각 층을 지난 실제 모습
Conv2D 는 크기를 그대로 두고 장수를 늘립니다. 이 모델의 Conv2D 는 padding = same 이라 가장자리를 채워 계산하므로 28×28 이 28×28 그대로 남고, 필터 수만큼 여러 장이 만들어집니다.
크기를 줄이는 것은 MaxPooling2D 입니다. 2×2 칸에서 가장 큰 값 하나만 남겨 가로세로를 절반으로 줄입니다. 28 → 14 → 7 로 두 번 접히고, 마지막 7×7×64 = 3,136개가 다음 단계로 넘어갑니다.
앞쪽은 획의 윤곽이 보이지만 뒤로 갈수록 사람 눈에는 뜻을 알기 어려운 무늬가 됩니다. 기계가 쓰는 정보가 사람이 보는 방식과 다르기 때문입니다.
단계를 눌러 그 층의 모든 장을 펼쳐 볼 수 있습니다.
마지막: 펴서 이어 붙이고 10개로 줄입니다
내적은 신경망의 여러 계산에서 사용되는 중요한 수학적 도구입니다. 특히 Dense 층에서는 입력값과 가중치를 곱하고 더하는 계산이 이루어집니다. 하지만 CNN 전체가 784차원 내적 하나로 이루어지는 것은 아닙니다.
어느 픽셀이 그 출력에 영향을 주었을까
출력을 올리는 픽셀 출력을 내리는 픽셀
이 그림은 지금 이 입력에서 각 픽셀 값이 조금 바뀌면 그 숫자의 출력이 얼마나 달라지는지를 나타냅니다. 그래서 같은 숫자라도 다른 글씨를 쓰면 지도가 달라집니다.
출력은 이미 ⑥-3에서 다 계산되었습니다. 이 지도는 그 뒤에 되짚어 보는 그림이지, 답을 고르는 과정이 아닙니다.
⑦ 모델이 만든 확률에서 답을 고릅니다
최종 출력⑥의 마지막 Dense 층에는 softmax가 이미 포함되어 있습니다. 따라서 모델이 내놓은 열 개의 값은 이미 합이 1인 확률입니다. 여기서는 softmax를 다시 적용하지 않고, 가장 큰 확률의 숫자를 답으로 고릅니다.
내가 쓴 숫자에 대한 실제 확률
여기 확률은 ①에서 쓴 글씨를 실제로 학습된 모델에 넣어 얻은 값입니다. ②~④에서 만든 28×28×1 격자가 모델에 들어가고, Conv2D와 MaxPooling2D를 지난 7×7×64 특징이 실제로 3,136개짜리 한 줄로 펴집니다. ⑤의 784개 한 줄은 이 규칙을 이해하기 위한 연습이지, 실제 모델 입력을 펴는 단계가 아닙니다.
틀리게 나온다면 글씨가 칸 가운데에 크게 있지 않아서일 수 있습니다. ①로 돌아가 다시 써 보세요.