Krizhevsky, Sutskever, Hinton. ImageNet Classification with Deep Convolutional Neural Networks . NeurIPS 2012. 1. 왜 나왔나? (Problem) 2012년 이전의 이미지 분류는 사람이 특징을 설계 하는 방식이었다. SIFT, HOG 같은 특징 추출기로 이미지를 벡터로 바꾸고, 그 위에 SVM 같은 분류기를 얹었다. 이 방식은 두 가지 벽에 부딪혀 있었다. 성능 정체 : 특징을 사람이 만들다 보니 복잡한 이미지에서 한계가 뚜렷했다. ImageNet 대회 top-5 오류율은 25% 근처에서 맴돌았다. 신경망은 "이론상 좋지만 실제로는 안 되는" 기술 : CNN은 LeNet(1998)부터 있었지만 손글씨 숫자 같은 작은 문제에서만 통했다. 네트워크를 깊고 크게 만들면 학습이 너무 느리고 (sigmoid/tanh의 기울기 포화, CPU 연산 한계) 데이터 대비 파라미터가 많아 과적합 이 심했다. 즉 풀어야 할 문제는 이것이었다. "120만 장, 1000개 클래스짜리 대규모 데이터에서, 거대한 CNN을 현실적인 시간 안에, 과적합 없이 학습시킬 수 있는가?" 2. 다른 방법과 뭐가 다른가? 비교 대상 그쪽 방식 AlexNet 전통 방식 (SIFT + SVM) 특징을 사람이 설계 특징을 데이터로부터 학습 (end-to-end) LeNet-5 (1998) 작은 입력(32×32), 층 얕음, 파라미터 약 6만, CPU, tanh 224×224 컬러, Conv 5 + FC 3, 파라미터 약 6,000만 , GPU, ReLU 좌측은 LeNet-5, 우측은 AlexNet입니다. 이미지 출처: daeun-computer-uneasy.tistory.com 핵심 차이는 "새로운 층을 발명했다"가 아니라, 규모를 키웠을 때 생기는 문제들을 실전적으로 해결해서 깊은 CNN이 실제로 동작함을 증명했다 는 점이다. 3. 그래서 어떻게 풀었나? (Solve) 구조: Conv 5층 + FC 3층 층 구성 비고 Conv1 96개, 11×11, stride 4 ReLU → LRN → MaxPool Conv2 256개, 5×5 ReLU → LRN → MaxPool Conv3 384개, 3×3 ReLU Conv4 384개, 3×3 ReLU Conv5 256개, 3×3 ReLU → MaxPool FC6 4096 ReLU + Dropout FC7 4096 ReLU + Dropout FC8 1000 Softmax 문제별 해결책 학습이 느리다 → ReLU + GPU max(0, x) 는 양수 구간에서 기울기가 1로 유지돼 포화가 없다. 논문 실험에서 tanh 대비 같은 오류율 도달이 약 6배 빨랐다. GTX 580(3GB) 한 장에 모델이 안 들어가서 네트워크를 절반씩 두 GPU에 나눠 학습했다. 특정 층에서만 GPU끼리 통신한다. (구조도가 위아래 두 갈래인 이유) 과적합이 심하다 → Dropout + Data Augmentation Dropout (p=0.5) : FC6, FC7에서 뉴런을 무작위로 끈다. 파라미터가 몰린 FC층의 과적합을 직접 겨냥했다. Data Augmentation : 256×256에서 무작위 224×224 크롭 + 좌우 반전, PCA 기반 색상 변형으로 데이터를 사실상 크게 늘렸다. 일반화 성능을 조금 더 → Overlapping Pooling, LRN 3×3 풀링을 stride 2로 겹쳐서 적용. LRN으로 인접 채널 간 정규화. (단, 이후 효과가 미미하다고 밝혀져 BatchNorm에 자리를 내줌) LRN(Local Response Normalization)이란? LRN은 AlexNet에서 사용한 정규화 기법이다. 같은 공간 위치에 있는 인접 채널들의 활성값을 이용해 각 값을 조정한다. 주변 채널의 활성값이 클수록 더 큰 값으로 나누기 때문에, 해당 채널의 출력이 작아진다. 여기서 값을 ‘누른다’ 는 것은 0으로 만든다는 뜻이 아니라 크기를 줄인다는 뜻이다. 큰 활성값도 LRN을 거치면 작아질 수 있으며, 채널 사이의 반응을 상대적으로 비교하는 효과가 있다. AlexNet에서는 일부 합성곱 층의 ReLU 뒤, Max Pooling 앞에 LRN을 적용했다. 오늘날에는 LRN보다 Batch Normalization 같은 정규화 방법이 주로 사용된다. Overlapping Pooling이란? 풀링 창을 이동할 때 인접한 창이 서로 겹치도록 하는 방식이다. 풀링 창의 크기보다 이동 간격(stride)이 작으면 겹침이 생긴다. 예를 들어 AlexNet은 3×3 Max Pooling에 stride 2를 사용했다. 첫 번째 창이 가로 방향의 1 3번째 값을 보면, 다음 창은 3 5번째 값을 본다. 3번째 값이 두 창에 모두 포함되는 것이다. 반대로 2×2 창을 stride 2로 이동하면 창끼리 겹치지 않는다. AlexNet 논문에서는 overlapping pooling을 사용했을 때 오류율이 소폭 낮아졌다고 보고했다. 학습 설정 : SGD + momentum 0.9, weight decay 0.0005, batch 128, lr 0.01에서 시작해 정체 시 1/10, 약 90 epoch, 5~6일. 결과 ILSVRC 2012 top-5 오류율 15.3% . 2위는 26.2%. 이 격차로 컴퓨터 비전의 주류가 하루아침에 딥러닝으로 넘어갔다. 4. 코드로는 어떻게 쓰나? 실무에서 AlexNet을 처음부터 학습시킬 일은 거의 없다. 주로 구조를 직접 구현하며 CNN을 이해하는 용도 나, 사전학습 모델로 전이학습을 연습하는 용도 로 쓴다. 참고: torchvision 의 AlexNet은 원 논문이 아니라 단일 GPU 버전이다. Conv1 채널이 64개이고, LRN이 없다. (1) 직접 구현 (PyTorch) import torch import torch.nn as nn class AlexNet(nn.Module): def __init__(self, num_classes=1000): super().__init__() self.features = nn.Sequential( nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=2), nn.ReLU(inplace=True), nn.LocalResponseNorm(size=5), nn.MaxPool2d(kernel_size=3, stride=2), # overlapping pooling nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(inplace=True), nn.LocalResponseNorm(size=5), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), ) self.classifier = nn.Sequential( nn.Dropout(0.5), nn.Linear(256 * 6 * 6, 4096), nn.ReLU(inplace=True), nn.Dropout(0.5), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, num_classes), ) def forward(self, x): x = self.features(x) x = torch.flatten(x, 1) return self.classifier(x) model = AlexNet() print(model(torch.randn(1, 3, 224, 224)).shape) # torch.Size([1, 1000]) (2) 사전학습 모델로 추론 from torchvision.models import alexnet, AlexNet_Weights from PIL import Image weights = AlexNet_Weights.IMAGENET1K_V1 model = alexnet(weights=weights).eval() preprocess = weights.transforms() # 리사이즈·크롭·정규화를 한 번에 img = preprocess(Image.open("dog.jpg")).unsqueeze(0) with torch.no_grad(): pred = model(img).softmax(dim=1) idx = pred.argmax().item() print(weights.meta["categories"][idx], pred[0, idx].item()) (3) 전이학습: 내 데이터(예: 5개 클래스)에 맞추기 model = alexnet(weights=AlexNet_Weights.IMAGENET1K_V1) # 특징 추출부는 고정 for p in model.features.parameters(): p.requires_grad = False # 마지막 FC층만 내 클래스 수로 교체 model.classifier[6] = nn.Linear(4096, 5) optimizer = torch.optim.SGD( filter(lambda p: p.requires_grad, model.parameters()), lr=1e-3, momentum=0.9, weight_decay=5e-4, # 논문 설정과 같은 계열 )
Je hoeft in 2026 niet te betalen voor goede zoekwoorddata. Er zijn meerdere gratis alternatieven voor Google Keyword Planner, maar de beste keuze hangt af van wat je precies wilt onderzoeken. Ja, Google Keyword Planner heeft verschillende gratis alternatieven. Voor snelle zoekwoordideeën zijn tools zoals Semrush Free Keyword Tool en Ahrefs Keyword Generator interessant. Voor trends kun je Google Trends gebruiken en voor zoekwoorden waarop jouw eigen website al zichtbaar is, blijft Google Search Console een van de nuttigste gratis bronnen. Er bestaat alleen geen gratis tool die Google Keyword Planner op elk onderdeel volledig vervangt. Keyword Planner combineert zoekwoordsuggesties, geschatte maandelijkse zoekvolumes en advertentiedata binnen het ecosysteem van Google Ads. Andere gratis tools zijn vaak sterker op één specifiek onderdeel. De slimste aanpak is daarom meestal niet om één vervanger te zoeken, maar om verschillende gratis databronnen te combineren. Is Google Keyword Planner zelf eigenlijk gratis? Google Keyword Planner wordt vaak een gratis zoekwoordtool genoemd, en technisch gezien hoef je geen betaald SEO-abonnement af te sluiten om de tool te gebruiken. Je hebt wel een Google Ads-account nodig. Google vraagt gebruikers bovendien om de accountconfiguratie af te ronden, waaronder het invoeren van factureringsgegevens, voordat bepaalde functies van Keyword Planner beschikbaar worden. Dat maakt Keyword Planner minder toegankelijk dan sommige SEO-tools waarbij je direct een zoekwoord kunt invoeren zonder advertentieaccount. Binnen Keyword Planner kun je onder andere: zoekwoordideeën ontdekken op basis van een term of website; geschatte maandelijkse zoekvolumes bekijken; advertentiekosten en CPC-indicaties onderzoeken; zoekwoorden groeperen; prognoses voor Google Ads-campagnes bekijken. Voor pure SEO is een deel van die informatie nuttig, maar niet alles is noodzakelijk. Wanneer je vooral onderwerpen, long-tail zoekwoorden en contentkansen wilt vinden, zijn er eenvoudigere gratis opties. Wat is het beste gratis alternatief voor Google Keyword Planner? Er bestaat geen universeel beste alternatief. De juiste tool hangt af van je doel. Wil je snel nieuwe zoekwoorden vinden, dan zijn Ahrefs Keyword Generator en de gratis zoekwoordtool van Semrush praktische opties. Wil je onderzoeken of een onderwerp populairder of minder populair wordt, dan is Google Trends nuttiger. Wil je zien via welke zoekopdrachten jouw website daadwerkelijk in Google verschijnt, gebruik dan Google Search Console. Voor serieus zoekwoordonderzoek kun je deze databronnen juist samen gebruiken. Begin bijvoorbeeld met een breed onderwerp. Verzamel daarna varianten en vragen via een keyword generator. Controleer de ontwikkeling van het onderwerp in Google Trends en gebruik Search Console om te kijken waar jouw website al vertoningen krijgt. Dat geeft vaak een realistischer beeld dan blind vertrouwen op één zoekvolume. 1. Semrush Free Keyword Tool Semrush biedt in 2026 een gratis zoekwoordtool waarmee je zonder volledig betaald SEO-abonnement zoekwoordideeën kunt onderzoeken. Je krijgt onder andere informatie over zoekvolume, zoekwoordmoeilijkheid, CPC en zoekintentie. Dat laatste is vooral interessant voor SEO. Google Keyword Planner is in eerste instantie gebouwd rond Google Ads. Daardoor is commerciële advertentiedata belangrijk in de interface. SEO-tools proberen vaker antwoord te geven op een andere vraag: Hoe moeilijk is het om organisch zichtbaar te worden voor dit zoekwoord? Semrush voegt daarvoor een keyword difficulty-indicatie toe en categoriseert zoektermen op basis van zoekintentie. De gratis versie is uiteraard beperkter dan de betaalde Keyword Magic Tool. Je krijgt minder resultaten en minder geavanceerde filters. Voor een kleine website, eerste contentplanning of snelle zoekwoordcheck kan dat echter voldoende zijn. Wanneer is Semrush interessant? Gebruik Semrush vooral wanneer je niet alleen zoekvolume wilt zien, maar ook wilt begrijpen waarom iemand zoekt. Een zoekopdracht kan bijvoorbeeld informatief, commercieel of transactioneel zijn. Dat verschil is belangrijk. Iemand die zoekt naar “wat is GEO” bevindt zich in een andere fase dan iemand die zoekt naar “beste GEO bureau Nederland”. Het zoekvolume alleen vertelt je dat niet. 2. Ahrefs Keyword Generator Ahrefs heeft eveneens gratis tools voor keyword research. Met de Keyword Generator kun je vanuit een basiszoekwoord gerelateerde termen, vragen en andere zoekwoordvarianten ontdekken. Een voordeel is dat je snel van één breed onderwerp naar veel specifiekere zoekvragen kunt gaan. Stel dat je begint met: “AI SEO” Daaruit kunnen vervolgens varianten ontstaan rond kosten, tools, strategie, voorbeelden en implementatie. Juist die specifieke zoekopdrachten zijn interessant wanneer je content maakt. Een breed zoekwoord kan veel concurrentie hebben, terwijl een specifiekere vraag veel beter aansluit op wat iemand daadwerkelijk probeert te weten. De gratis tools van Ahrefs zijn wel bewust beperkt ten opzichte van de volledige betaalde suite. Zie ze daarom vooral als onderzoeksinstrument en niet als volledige vervanging van een professionele SEO-database. 3. Google Trends Google Trends is een van de meest onderschatte gratis hulpmiddelen voor zoekwoordonderzoek. De tool geeft je niet simpelweg een traditioneel absoluut zoekvolume. In plaats daarvan laat Google Trends zien hoe de relatieve zoekinteresse zich ontwikkelt. Dat is waardevol omdat een gemiddeld maandelijks zoekvolume soms een verkeerd beeld kan geven. Stel dat twee onderwerpen ongeveer even interessant lijken op basis van historische volumes. Het eerste onderwerp daalt al maanden. Het tweede onderwerp groeit snel. Als je alleen naar een gemiddelde kijkt, zie je dat verschil nauwelijks. Google Trends maakt die ontwikkeling zichtbaar. Je kunt de tool daarom gebruiken om: seizoenspatronen te herkennen; groeiende onderwerpen te ontdekken; verschillende termen met elkaar te vergelijken; regionale verschillen te onderzoeken; te controleren of interesse in een onderwerp structureel groeit of slechts tijdelijk piekt. Voor onderwerpen rond AI en nieuwe zoektechnologie is dit extra relevant. Terminologie verandert snel. Een zoekwoord dat vorig jaar nauwelijks werd gebruikt, kan binnen korte tijd belangrijk worden. 4. Google Search Console Heb je al een website met organische zichtbaarheid? Dan is Google Search Console vaak waardevoller dan een traditionele keyword planner. Search Console laat zien voor welke zoekopdrachten jouw eigen pagina’s daadwerkelijk in Google zijn verschenen. Je kunt onder andere klikken, vertoningen, gemiddelde positie en doorklikratio onderzoeken. Dat maakt Search Console bijzonder interessant voor het vinden van bestaande kansen. Een pagina kan bijvoorbeeld gemiddeld op positie 11 staan voor een zoekopdracht waar je nog nauwelijks aandacht aan hebt besteed. Dat is meestal veel interessanter dan een volledig nieuw zoekwoord waarop jouw website nog geen enkele relevantie heeft opgebouwd. Zoek naar zoekwoorden met veel vertoningen maar weinig klikken Dit is een eenvoudige manier om kansen te ontdekken. Filter binnen Search Console op zoekopdrachten met relatief veel vertoningen. Controleer vervolgens welke termen weinig klikken krijgen. Daar kunnen verschillende redenen voor zijn. Je positie is nog te laag. De titel sluit niet goed aan. De pagina behandelt het onderwerp slechts gedeeltelijk. Of Google ziet jouw pagina als enigszins relevant, maar niet als het beste antwoord. Juist deze zoekopdrachten kunnen goede optimalisatiekansen vormen. 5. Google autocomplete en gerelateerde zoekopdrachten Je hoeft niet altijd een speciale SEO-tool te gebruiken. Google zelf kan al veel informatie geven over hoe mensen zoeken. Wanneer je een onderwerp invoert, verschijnen vaak aanvullende zoekopdrachten en suggesties. Deze suggesties kunnen helpen bij het vinden van specifieke vragen en formuleringen. Zoek je bijvoorbeeld op een brede term, dan kun je varianten ontdekken rond: kosten; alternatieven; reviews; voorbeelden; problemen; handleidingen; vergelijkingen. Deze woorden zeggen iets over de intentie achter een zoekopdracht. Voor contentplanning zijn ze daarom vaak minstens zo interessant als een exact zoekvolume. Waarom zoekvolume niet het enige criterium moet zijn Een veelgemaakte fout bij keyword research is het kiezen van zoekwoorden puur op basis van zoekvolume. Een zoekwoord met 10.000 maandelijkse zoekopdrachten is niet automatisch waardevoller dan een term met 200 zoekopdrachten. De kleinere zoekterm kan veel specifieker zijn. Daardoor kan de bezoeker dichter bij een beslissing zitten. Vergelijk bijvoorbeeld: “SEO” met: “SEO bureau voor Shopify Nederland” Het eerste zoekwoord heeft een veel bredere betekenis. Iemand kan op zoek zijn naar een definitie, opleiding, vacature, softwaretool of marketingbureau. Het tweede zoekwoord geeft veel duidelijker aan wat de gebruiker zoekt. Voor bedrijven kan zo’n kleiner maar specifieker zoekwoord daarom commercieel veel relevanter zijn. Gratis keyword research in 2026: gebruik meerdere databronnen Een sterke gratis workflow hoeft niet ingewikkeld te zijn. Begin met het hoofdonderwerp waarvoor je zichtbaar wilt worden. Gebruik vervolgens een gratis keyword generator om varianten te verzamelen. Controleer daarna in Google Trends welke onderwerpen groeien en welke juist dalen. Heb je al organisch verkeer, voeg dan Search Console-data toe. Daarna kun je de zoekwoorden ordenen op basis van intentie. Welke zoekvragen vragen om uitleg? Welke zoekvragen vergelijken oplossingen? Welke zoekvragen laten zien dat iemand een product, dienst of tool zoekt? Op die manier verandert keyword research van een lijst met termen in een contentstrategie. Verandert AI de manier waarop je zoekwoorden onderzoekt? Ja. Traditioneel SEO-onderzoek draaide sterk om individuele zoekwoorden. Voor AI-zoekmachines en generatieve zoekervaringen wordt het belangrijker om complete onderwerpen en echte gebrui