[AI 부트캠프] DAY 70 - 딥러닝 6

[오늘의 일지]

딥러닝 실시간 강의 - Generation (이미지 생성, AutoEncoder, Generative Adversarial Network )

[상세 내용]

Generation

이미지 생성

- Generation는 러닝 모델을 사용하여 데이터를 생성하는 기술을 가리킵니다. 이것은 주로 이미지, 음악, 텍스트 등 다양한 유형의 콘텐츠를 생성하는 데 사용됩니다.

• Conditional Generation (조건부 생성): 이 방법은 입력 데이터나 조건을 기반으로 새로운 데이터를 생성합니다. 예를 들어, 조건부 생성은 이미지 스타일 변환, 이미지 캡션 생성, 텍스트-투-이미지 변환 등에 사용됩니다. GANs (Generative Adversarial Networks)와 VAEs (Variational Autoencoders)와 같은 모델이 주로 이러한 종류의 generation 작업에서 사용됩니다.
• Unconditional Generation (무조건 생성): 이 방법은 아무런 입력 조건 없이 데이터를 생성합니다. 대표적인 예로는 이미지 생성, 음악 생성, 텍스트 생성 등이 있습니다. 주로 RNN (Recurrent Neural Networks), LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit), GANs, VAEs, 또는 최근에는 대규모 GPT (Generative Pre-trained Transformer)와 같은 모델이 사용됩니다.

AutoEncoder

- 오토인코더(Autoencoder)는 인공신경망의 한 유형으로, 데이터의 효율적인 표현(representation)을 학습하고, 이를 사용하여 입력 데이터를 재구성하는 모델입니다. 오토인코더는 비지도 학습(Unsupervised Learning)과 차원 축소(Dimensionality Reduction) 작업에 주로 사용됩니다.

• 인코더(Encoder): 입력 데이터를 저차원의 잠재 공간(latent space)으로 매핑(mapping)하는 역할을 합니다. 이 과정은 데이터의 압축을 나타내며, 잠재 공간은 일반적으로 입력 데이터보다 훨씬 낮은 차원을 가집니다.
• 디코더(Decoder): 인코더에서 얻은 잠재 표현을 다시 원래의 차원으로 확장하는 역할을 합니다. 디코더는 잠재 공간의 표현을 사용하여 입력 데이터의 근사 복원을 시도하며, 이로써 입력 데이터를 재구성합니다.

GAN (Generative Adversarial Network)

- GAN (Generative Adversarial Network)은 딥러닝 모델의 한 유형으로, 생성 모델을 학습하고 데이터를 생성하는 데 사용되는 강력한 기술입니다. GAN은 2014년에 Ian Goodfellow와 그 동료들에 의해 제안되었으며, 그 이후로 이미지, 음성, 텍스트 및 다양한 유형의 데이터 생성에 활발하게 활용되어 왔습니다. GAN의 핵심 아이디어는 생성자와 판별자가 서로 경쟁하면서 성능을 향상시키는 것입니다. 생성자는 더 실제 같은 가짜 데이터를 생성하기 위해 훈련되고, 판별자는 더 강력한 판별 능력을 개발하기 위해 훈련됩니다. 이러한 경쟁을 통해 GAN은 점차적으로 높은 품질의 가짜 데이터를 생성할 수 있게 됩니다.

• Generator: 생성자는 입력으로부터 데이터를 생성하는 역할을 합니다. 이 모델은 무작위 잡음 또는 잠재 벡터(latent vector)를 입력으로 받아 실제 데이터와 유사한 가짜 데이터를 생성하려고 노력합니다. 생성자는 초기에 임의의 가중치로 시작하며, 훈련 과정을 통해 가짜 데이터를 실제 데이터와 구별할 수 없도록 향상시킵니다.
• Discriminator: 판별자는 생성자가 생성한 가짜 데이터와 실제 데이터를 구별하는 역할을 합니다. 즉, 판별자는 주어진 데이터가 실제 데이터인지 아니면 생성자에 의해 생성된 가짜 데이터인지를 판단합니다. 판별자는 이진 분류 문제로 볼 수 있으며, 실제 데이터에 대해서는 "진짜"로 분류하고, 가짜 데이터에 대해서는 "가짜"로 분류하도록 훈련됩니다.

 

[마무리]

 오늘은 요즘 유행하고 있는 이미지 생성의 근본이 되는 generation에 대해서 공부했습니다. 기본적인 내용만 알아보는 것이라 매우 흥미 있던 수업 있습니다. 뭔가 cv분야에서 더 업그레이드된 분야라고 느껴졌습니다. 여러 분야에 대해서 더 알아보고 나중에 트랙학습을 할 때 신중하게 선택해야 될 거 같습니다.