gan 3
-
GAN 생성모델에서의 Loss Function Fixed Loss 고정된 손실함수의 문제점은 한가지 목표만을 향해서 간다는 점이다. 시간이 지나거나 새로운 기준이 생긴다면 목표를 변경해야 좋은 결과를 낼 수 있다. 하지만 한가지 목표를 고정한 Fixed Loss는 경쟁과는 거리가 멀다. Fixed Loss를 사용하는 이미지 컬러라이징 모델을 학습시키면 L2 Loss에서 색이 바래는 현상이 나타난다. 빨간 값과 파란 값의 중간 평균을 내서 덧칠했기 때문에 색이 연해진 것이다. 해상도를 높이는 수퍼 레졸루션 모델에서도 평균을 내다가 뿌연 사진을 명확하게 만들지 못했다. 고정된 목적을 달성하는 것은 단점이 있다. Universal Loss 고정된 손실값이 아닌 자유롭게 변화하는 손실값을 사용한다. 고정된 Lo..
-
생성 모델 GAN Generative Adversarial Network 적대적으로 성능 경쟁을 하면서 생성한다. Generator는 가짜를 만들어내고, Discriminator는 이것이 실제인지 가짜인지 판독한다. 이런 과정을 거치면서 더 정교한 가짜를 만들어내고, 더 정확한 감정을 해낸다. 위조의 능력이 판독의 역할을 넘어서면 가짜인지 진짜인지 구분할 수 없는 상태가 된다. 이전까지의 영상 생성은 확률모델에 기인해왔다. PDF probability density function 사건의 발생 확률을 나타내었다. 이 확률 분포를 가지고 샘플을 나타내보면 0 주변에 발생할 확률이 높고 양쪽으로 퍼질 수록 나타날 확률이 줄어든다. 만약 그림과 같은 다차원의 영상에서 PDF를 나타낸다면 (4, 1) 벡터보다 ..
-
생성모델 Generative Model 눈을 감고 황금 들녁을 상상했을 때 근사한 영상이 떠오른다면 머리속의 '생성모델' 이 작용했기 때문이다. 사람의 생성 모델은 세상에 나타나는 현상들을 오래 지켜보고 학습한 결과이다. 기계학습이 훈련집합을 통해 비슷한 생성모델을 구축할 수 있다면 강한 인공지능 Strong AI 에 더 다가설 수 있다. 생성 모델은 분별 모델에 비해 데이터 생성과정에서의 심도 깊은 이해가 필요하기 때문이다. 특징 벡터가 2차원이고 이진값을 가비며, 2개의 부류라고 가정하면 훈련집합은 다음과 같다. 이것을 생성모델이 추정하는 확률 분포로 표현하면 실제 상황에서 생성모델은 현실에 내재한 데이터 발생 분포를 알아낼 수 없다. 다양한 생성 모델 GAN 생성기 Generator G와 분별기 D..
