[DEEPNOID 원포인트레슨]_10_GAN

220128 작성

<본 블로그는 DEEPNOID 원포인트레슨을 참고해서 공부하며 작성하였습니다>

https://www.deepnoid.com/

인공지능 | Deepnoid

 

 

 

 

 

1. Deep Convolutional GAN

: 네트워크 구조가 fully-connected 되어 있지 않고, convolution & de-convolution 활용하여 레이어 구성

: 상대적으로 안정적인 학습

: convolution 의 반대과정으로, activation map 의 크기를 키울 수 있어서 이미지 생성에 특화

 

2. Progressive GAN

: 학습 안정성

: 1024 x 1024 size 의 고해상도 이미지 생성 가능

: low-resolution 부터 학습

: 새로운 layer 추가하여 high-resolution 영상 학습

 

3. Wassersetein GAN

: discriminator 의 loss function 을 wasserstein loss 로 사용

: discriminator의 weight clipping (gradient clipping)

: RMSProp를 optimizer 로 사용

: critic ( discriminator )은 input image 에 대한 점수를 산출

 

- weight cliping 

: exploding gradient or vanishing gradient 문제 줄이기

: critic 을 구성하는 layer에 적용하며, update 되는 weight 값을 설정한 임계값을 ㅗ제한

 

 

4. Least squares loss function

: generator 로부터 생성된 data 가 decision boundary 로부터 멀게 생성된 fake sample 들에 penalty 부과

: discriminator 을 속인 data 일지라도 penalty 통해 dicision boundary 에 가깝게 생성되게끔 generator 의 wiehgt 를 update 시킴