[10주차] GAN(Generative Adversarial Network)

[mingxoxo]

GAN(Generative Adversarial Network)

GAN은 생성이라는 문제를 풀기 위해 딥러닝으로 만들어진 모델을 적대적 학습이라는 독특한 방식으로 학습시키는 알고리즘이다.

1. Generative
   생성 모델 : 그럴듯한 가짜를 만들어내는 모델
   (수학적으로 생성 모델의 목적은 실제 데이터 분포와 근사한 것이라고 말할 수 있다. 얼굴 이미지의 생성 모델을 만들겠다는 것은 사람 얼굴처럼 보이는 픽셀값 조합의 분포를 찾아내겠다는 것이다. )

2. Adversarial(적대적)
   GAN이 두 개의 모델을 적대적(Adversarial)으로 경쟁시키며 발전시킨다는 것을 뜻한다.
   GAN은 생성자(Generator)와 구분자(Discriminator)를 경쟁적으로 학습시킨다.
   이 둘을 함께 학습시키면서 진짜와 구분할 수 없는 가짜를 만들어내는 생성자를 얻을 수 있다.
   이것이 GAN의 핵심적인 아이디어인 적대적 학습(Adversarial Training) 이다.

• 생성자의 목적 : 그럴듯한 가짜 데이터를 만들어서 구분자를 속이는 것
• 구분자의 목적 : 생성자가 만든 가짜 데이터와 진짜 데이터를 구분하는 것

3. Network
   이 모델이 인공신경망 또는 딥러닝으로 만들어졌기 때문에 붙는다.

---

• 생성자(Generator)
  생성자는 랜덤 백터 'z'를 입력으로 받아 가짜 이미지를 출력하는 함수
  여기서 ‘z’는 단순하게 균등 분포(Uniform Distribution)나 정규 분포(Normal Distribution)에서 무작위로 추출된 값
  생성자는 이렇게 단순한 분포를 사람 얼굴 이미지와 같은 복잡한 분포로 매핑(Mapping)하는 함수라고 볼 수 있다.
  잠재 공간(Latent Space) : ‘z’ 벡터가 존재하는 공간

• 구분자(Discriminator)
  이미지를 입력으로 받고 그 이미지가 진짜일 확률을 0과 1 사이의 숫자 하나로 출력하는 함수

• 모델의 평가 지표
  구분자의 출력값은 이미지가 진짜일 확률이고, 이 확률이 얼마나 정답과 가까운지를 측정하기 위해 바이너리 크로스 엔트로피(Binary cross entropy) 손실 함수(loss function) 를 사용한다. (아래의 링크에서의 사용을 의미하는 것 같다. ) 이 함수는 구분자가 출력한 확률값이 정답에 가까우면 낮아지고 정답에서 멀면 높아진다. 이 손실 함수의 값을 낮추는 것이 모델 학습의 목표가 된다.

• 한계점
  GAN 학습이 잘 되기 위해서는 서로 비슷한 수준의 생성자와 구분자가 함께 조금씩 발전해야 한다. 그런데 한쪽이 너무 급격하게 강력해지면 이 관계가 깨져버려서 GAN의 학습이 이루어지지 않는다.
  모드붕괴(Mode Collapse) : 생성자가 다양한 이미지를 만들어내지 못하고 비슷한 이미지만 계속해서 생성하는 경우를 뜻한다.

출처 : https://dreamgonfly.github.io/blog/gan-explained/