GAN (gans in action)

이론 배경 적대적 훈련 GAN 에서 생성자와 판별자는 자신만의 비용 함수를 가지는 함수로 표현 판별자의 손실을 사용하여 역전파로 두 네트워크를 훈련 판별자는 진짜와 가짜 샘플에 대한 손실을 최소화하려고 노력함 반면 생성자는 자신이 생성한 가짜 샘플에 대해 판별자의 손실이 최대화되도록 노력함 생성자가 흉내 내려는 샘플의 종류는 훈련 데이터셋으로 결정됨 ex) 목적 : 실제와 같은 고양이 이미지를 만드는 것 -> GAN에 고양이 이미지 데이터셋을 주입 생성자는 패턴을 합성하는 것을 학습함 비용함수 J 생성자의 비용함수 : J(G) 판별자의 비용함수 : J(D) 두 네트워크 훈련 파라미터 : θ (가중치와 절편 W, b) 생성자의 파라미터 : θ(G) 판별자의 파라미터 : θ(D) GAN과 합성곱 신경망의 차이점 2가지 (1) 전통적 신경망의 비용 함수 J는 훈련 파라미터 θ의 항으로 정의함 J(θ) 이에 반해 GAN의 두 네트워크는 비용함수가 두 네트워크의 파라미터에 모두 의존 -> 생...

원문링크 : GAN (gans in action)