❓ 모델에 이미지를 입력하기 전에 크기 조정(Resizing)과 정규화(Normalization)를 하는 이유

✅ 딥러닝 모델이 이미지를 효율적이고 일관성 있게 학습하고 예측할 수 있도록 돕는 매우 중요한 전처리(Preprocessing) 과정이에요. ✨

---

🖼️ 이미지 크기 조정 (Resizing)의 이유

크기 조정(Resizing)은 모든 이미지를 모델이 처리할 수 있는 동일한 크기와 모양으로 맞추는 과정입니다.

1. 일관된 입력 크기 제공 (Uniform Input Size) 📏:
   • 딥러닝 모델, 특히 합성곱 신경망(Convolutional Neural Network, CNN)과 같은 신경망 **아키텍처(Architecture, 모델의 구조)**는 보통 고정된 크기의 입력 **텐서(Tensor, 다차원 배열)**를 기대합니다.
   • 예를 들어, 모델이 224x224 픽셀 이미지를 받도록 설계되었다면, 모든 입력 이미지를 224x224로 조정해야 합니다.
2. 연산 효율성 증대 (Computational Efficiency) 🚀:
   • 원본 이미지가 매우 크다면(예: 4K 해상도), 모든 픽셀을 처리하는 데 엄청난 **계산 자원(Computational Resources)**과 시간이 소모됩니다.
   • 적절한 크기로 줄여(Downsampling) 불필요한 연산을 줄이고 학습 속도를 높일 수 있습니다.

---

📊 정규화 (Normalization)의 이유

정규화(Normalization)는 이미지의 픽셀 값 범위를 모델이 처리하기 쉽도록 표준화하는 과정입니다.

1. 학습 속도 향상 및 안정화 (Faster & Stable Training) 📈:
   • 일반적으로 이미지의 픽셀 값은 0에서 255 사이의 값을 가집니다. 이처럼 값이 큰 범위를 가지면 모델의 가중치(Weight, 뉴런 간의 연결 강도) 업데이트가 불안정해지고, **경사 하강법(Gradient Descent, 손실 함수를 최소화하는 방법)**이 최적점에 도달하는 데 시간이 오래 걸릴 수 있습니다.
   • 정규화를 통해 픽셀 값을 보통 0과 1 사이 또는 표준 정규 분포(μ=0,σ=1)와 같은 작고 일관된 범위로 조정하면, 가중치 업데이트가 효율적이고 안정적으로 이루어져 학습이 빨라집니다.
2. 모델 성능 향상 (Improved Performance) 🌟:
   • 정규화를 통해 각 특성(Feature, 이미지의 픽셀 값)의 기여도가 균등해져, 모델이 특정 픽셀 값 범위에 **편향(Bias)**되는 것을 방지하고 더 나은 일반화(Generalization, 새로운 데이터에 대한 예측 능력) 성능을 얻을 수 있습니다.
3. 가중치 초기값의 영향 감소 (Reduced Impact of Initialization) 💡:
   • 신경망을 초기화할 때 **가중치(Weight)**를 작은 값으로 설정하는 경우가 많은데, 입력 데이터의 스케일이 작아야 초기 가중치와 조화롭게 작용하여 학습 초기에 **활성화 함수(Activation Function, 뉴런의 출력을 결정하는 함수)**가 포화(Saturation)되는 것을 방지할 수 있습니다.

---

쉬운 비유 🧑‍🏫

이미지 전처리 과정은 마치 요리사가 재료를 다듬는 것과 같아요! 🍳

• **크기 조정(Resizing)**은 여러 크기의 재료(이미지)를 요리에 맞는 일정한 크기 (예: 모든 채소를 2cm 정육면체로)로 써는 것과 같습니다. 그래야 모든 재료가 냄비(모델)에 잘 들어가고 골고루 익을 수 있죠.
• **정규화(Normalization)**는 모든 재료의 **온도나 습도(픽셀 값의 범위)**를 일정하게 맞추는 것과 같습니다. 그래야 불(학습 과정)의 세기를 조절하기 쉽고, 요리가 타거나 설익지 않고 **최적의 맛(최상의 예측 성능)**을 낼 수 있어요! 🧑‍🍳