운동하는 공대생

이전 글 GAN(Generative Adversarial Networks)(2/3) Structure of the GAN 위의 사진처럼 2가지의 주요 한 구성 요소로 이루어져 있다. 생성자, 판별자 두 가지 구조를 가지고 있으며 2가지의 네트워크를 활용하여 이미지를 생성하는 이론이다. -Generator( seungwoni.tistory.com 이전 글을 읽었다면 이제 이후에 GAN 론이 어떻게 적용이 되는지를 설명을 하겠다. GAN의 수렴 과정 먼저 과정을 해석하자면 생성모델의 분포는 점점 실제 데이터와 같아 지게 만들어야한다. 이때 GAN은 2가지의 목표를 가지고 수렴한다. Pg -> Pdata : 생성자의 분포가 원본 데이터의 분포를 따르게 수렴을 해야한다. 이는 원본 데이터의 분포에 맞게 수렴을 ..

Structure of the GAN 위의 사진처럼 2가지의 주요 한 구성 요소로 이루어져 있다. 생성자, 판별자 두 가지 구조를 가지고 있으며 2가지의 네트워크를 활용하여 이미지를 생성하는 이론이다. -Generator(생성자) 생성자는 노이즈 값을 받아서 새로운 인스턴스를 생성하는 역할을 한다. -Discriminator(판별자) 판별자는 실제 이미지를 가지고 얼마나 생성자의 이미지와 일치하는지를 확률값으로 반환을 해준다.(Real:1 ~ Fake:0) Formula of GAN 대략적인 식은 이렇게 표시가 된다. 이제 식 하나하나 어떤 의미를 가지고 있는지를 이야기를 해보겠다. 먼저 공식의 전체적인 의미를 가지고있는 부분이 이 부분이다. 천천히 해석을 해보자면 G(생성자)의 값은 최소가 돼야 하고 ..

Intro 이전 Synthetic Data 글에서 합성 데이터에 대한 이야기를 했었다. 이런 합성 데이터를 생성을 하기 위해서 최근 가장 주목을 받고 있는 GAN(Generative Adversarial Networks)이라는 개념을 설명을 하겠다. Synthetic Data(합성 데이터) What is Synthetic Data 머신러닝 모델을 만들고 적용을 시켜 예측을 하다 보니 데이터의 양이 너무 적어서 예측의 정확도가 좋지 않은 경우가 생각보다 많이 있었다. 이런 상황에서 예측의 정확도를 seungwoni.tistory.com GAN이 처음 등장한 2014년 이미지 생성을 위해 GAN이론이 등장하게 되었다. 이 이론은 현재 데이터 분야에서 아주 주목을 받고 있는 이론이며 지금까지도 관련 논문이 지..

1. Intro 다항 다항 분류와 회귀를 하기 위해서 여러 가지 방식을 찾아보다가 Softmax라는 방식을 알게 되면서 내용을 정리를 해보려 한다. 간단하게 봤을 때 느낌은 머신러닝 분야에서보다는 딥러닝 분야에서 조금 더 많이 쓰이는 방식 같아 보였다.분류와 회귀를 하기 위해서 여러가지 방식을 찾아보다가 Softmax 라는 방식을 알게되면서 내용을 정리를 해보려 한다. 간단하게 봤을 때 느낌은 머신러닝 분야에서 보다는 딥러닝 분야에서 조금 더 많이 쓰이는 방식 같아 보였다. 2. What is Softmax 소프트 맥스 함수는 여러 개의 다차원의 데이터에서 여러 가지 선택지가 존재하는 상황에서 자주 쓰인다. 분류 이론을 예로 든다면 0 과 1만 존재하는 분류(Classifier)에서 0 과 1 이 아니라..