AnoGAN 코드 리뷰
Auto-Encoder
직관적으로 이해하기 쉬움
어려운 비지도학습 문제를 지도학습 문제로 바꿔서 푼 것이라 이해하면 쉽다고 한다.
데이터 그 자체를 Label로 활용한 것이다.
Encoder에게는 이미지를 잘 압축하는 방법을
Decoder에게는 이미지를 잘 생성해내는 방식을 배우게 하는것으로 모델은 동작한다.
GAN
AE의 뒷부분을 떼놓았다 생각한다.
이미지를 생성할 수 있는 Decoder, 다른 말로 Generator로부터 이미지를 생성한다.
latent space는 잠재공간으로 모든 것으로 변할 수 있는 것
Sampling이란 추론? 여러번 sampling 함으로써 원래 분포가 어떤지 추론해보는 것
판별자는 두개의 분포를 명확히 구분하는 것 그 방법으로 유명한 loss Binary Cross Entropy loss
실제 학습을 시킬때는 두가지의 step을 반복하며 학습을 수행하게 된다
D = Discriminator(image_size, hidden_size).to(device)
G = Generator(latent_size, hidden_size, image_size).to(device)
criterion = nn.BCELoss()
d_optimizer = torch.optim.Adam(D.parameters(), lr=0.0002)
G_optimizer = torch.optim.Adam(G.parameters(), lr=0.0002)
step1
G를 멈춰놓고 D를 업데이트 한다.
step2
D를 멈춰놓고 G를 업데이트 한다.
고정시킴에 따라 loss function이 일부 변경된다.
Author And Source
이 문제에 관하여(AnoGAN 코드 리뷰), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://velog.io/@chanho124/AnoGAN저자 귀속: 원작자 정보가 원작자 URL에 포함되어 있으며 저작권은 원작자 소유입니다.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)